import subprocess
import importlib

def instalar_biblioteca(biblioteca, nombre_modulo=None):
    if nombre_modulo is None:
        nombre_modulo = biblioteca.replace("-", "_")

    try:
        # Verifica si el módulo ya está instalado
        mod = importlib.import_module(nombre_modulo)
        version = getattr(mod, "__version__", "versión no disponible")
        print(f"Biblioteca '{biblioteca}' ya está instalada. Versión: {version}")
    except ModuleNotFoundError:
        try:
            subprocess.check_call(["pip", "install", biblioteca])
            mod = importlib.import_module(nombre_modulo)
            version = getattr(mod, "__version__", "versión no disponible")
            print(f"Biblioteca '{biblioteca}' instalada con éxito. Versión: {version}")
        except Exception as e:
            print(f"Error instalando la biblioteca {biblioteca}: {str(e)}")

# Lista de bibliotecas a instalar con posibles alias para el módulo
bibliotecas = [
    ("numpy", "numpy"),
    ("pandas", "pandas"),
    ("scipy", "scipy"),
    ("matplotlib", "matplotlib"),
    ("seaborn", "seaborn"),
    ("scikit-learn", "sklearn"),
    ("ipywidgets", "ipywidgets")
]

# Instala las bibliotecas
for biblioteca, nombre_modulo in bibliotecas:
    instalar_biblioteca(biblioteca, nombre_modulo)

Biblioteca 'numpy' ya está instalada. Versión: 1.26.4
Biblioteca 'pandas' ya está instalada. Versión: 2.2.1
Biblioteca 'scipy' ya está instalada. Versión: 1.11.4
Biblioteca 'matplotlib' ya está instalada. Versión: 3.8.4
Biblioteca 'seaborn' ya está instalada. Versión: 0.12.2
Biblioteca 'scikit-learn' ya está instalada. Versión: 1.4.2
Biblioteca 'ipywidgets' ya está instalada. Versión: 7.6.5

# Importar las bibliotecas necesarias
import numpy as np
import pandas as pd
from scipy import stats as st
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.cluster import KMeans
from IPython.display import display, HTML
import io
import ipywidgets as widgets

# Configuración de visualización para mejorar la revisión de DataFrames en pandas
# Mostrar todas las columnas
pd.set_option('display.max_columns', None)  
# Evitar división en varias líneas
pd.set_option('display.expand_frame_repr', False)  
# Mostrar todas las filas
pd.set_option('display.max_rows', None) 
# Mostrar el ancho completo de las columnas
pd.set_option('display.max_colwidth', None)

def print_dataframe_info(df, df_name):
    """Imprime información básica del DataFrame con HTML formateado."""
    display(HTML(f"<h4 style='color: plum;'>Información del DataFrame: {df_name}</h4>"))
    display(HTML(f"<p><strong>Forma:</strong> {df.shape}</p>"))
    
    display(HTML(f"<p><strong>Primeras 5 filas:</strong></p>"))
    display(HTML(df.head().to_html()))
    
    display(HTML(f"<p><strong>Descripción:</strong></p>"))
    display(HTML(df.describe().to_html()))
    
    display(HTML(f"<p><strong>Información:</strong></p>"))
    buffer = io.StringIO()
    df.info(buf=buffer)
    info_html = buffer.getvalue().replace(' ', '&nbsp;').replace('\n', '<br>')
    display(HTML(f"<pre>{info_html}</pre>"))

# URLs de los archivos CSV
urls = {
    "users": 'https://practicum-content.s3.us-west-1.amazonaws.com/new-markets/Data_Refactored_Sprint_3/megaline_users.csv',
    "calls": 'https://practicum-content.s3.us-west-1.amazonaws.com/new-markets/Data_Refactored_Sprint_3/megaline_calls.csv',
    "messages": 'https://practicum-content.s3.us-west-1.amazonaws.com/new-markets/Data_Refactored_Sprint_3/megaline_messages.csv',
    "internet": 'https://practicum-content.s3.us-west-1.amazonaws.com/new-markets/Data_Refactored_Sprint_3/megaline_internet.csv',
    "plans": 'https://practicum-content.s3.us-west-1.amazonaws.com/new-markets/Data_Refactored_Sprint_3/megaline_plans.csv'
}

# Cargar los datos
try:
    users = pd.read_csv(urls["users"])
    print("users cargado con éxito.")
except Exception as e:
    print(f"Error cargando users desde {urls['users']}: {str(e)}")

try:
    calls = pd.read_csv(urls["calls"])
    print("calls cargado con éxito.")
except Exception as e:
    print(f"Error cargando calls desde {urls['calls']}: {str(e)}")

try:
    messages = pd.read_csv(urls["messages"])
    print("messages cargado con éxito.")
except Exception as e:
    print(f"Error cargando messages desde {urls['messages']}: {str(e)}")

try:
    internet = pd.read_csv(urls["internet"])
    print("internet cargado con éxito.")
except Exception as e:
    print(f"Error cargando internet desde {urls['internet']}: {str(e)}")

try:
    plans = pd.read_csv(urls["plans"])
    print("plans cargado con éxito.")
except Exception as e:
    print(f"Error cargando plans desde {urls['plans']}: {str(e)}")

# Imprimir información de cada DataFrame
dataframes = {
    "users": users,
    "calls": calls,
    "messages": messages,
    "internet": internet,
    "plans": plans
}

for df_name, df in dataframes.items():
    print_dataframe_info(df, df_name)

users cargado con éxito.
calls cargado con éxito.
messages cargado con éxito.
internet cargado con éxito.
plans cargado con éxito.

RangeIndex: 500 entries, 0 to 499Data columns (total 8 columns): #   Column      Non-Null Count  Dtype ---  ------      --------------  -----  0   user_id     500 non-null    int64  1   first_name  500 non-null    object 2   last_name   500 non-null    object 3   age         500 non-null    int64  4   city        500 non-null    object 5   reg_date    500 non-null    object 6   plan        500 non-null    object 7   churn_date  34 non-null     objectdtypes: int64(2), object(6)memory usage: 31.4+ KB

RangeIndex: 137735 entries, 0 to 137734Data columns (total 4 columns): #   Column     Non-Null Count   Dtype  ---  ------     --------------   -----   0   id         137735 non-null  object  1   user_id    137735 non-null  int64   2   call_date  137735 non-null  object  3   duration   137735 non-null  float64dtypes: float64(1), int64(1), object(2)memory usage: 4.2+ MB

RangeIndex: 76051 entries, 0 to 76050Data columns (total 3 columns): #   Column        Non-Null Count  Dtype ---  ------        --------------  -----  0   id            76051 non-null  object 1   user_id       76051 non-null  int64  2   message_date  76051 non-null  objectdtypes: int64(1), object(2)memory usage: 1.7+ MB

RangeIndex: 104825 entries, 0 to 104824Data columns (total 4 columns): #   Column        Non-Null Count   Dtype  ---  ------        --------------   -----   0   id            104825 non-null  object  1   user_id       104825 non-null  int64   2   session_date  104825 non-null  object  3   mb_used       104825 non-null  float64dtypes: float64(1), int64(1), object(2)memory usage: 3.2+ MB

RangeIndex: 2 entries, 0 to 1Data columns (total 8 columns): #   Column                 Non-Null Count  Dtype  ---  ------                 --------------  -----   0   messages_included      2 non-null      int64   1   mb_per_month_included  2 non-null      int64   2   minutes_included       2 non-null      int64   3   usd_monthly_pay        2 non-null      int64   4   usd_per_gb             2 non-null      int64   5   usd_per_message        2 non-null      float64 6   usd_per_minute         2 non-null      float64 7   plan_name              2 non-null      object dtypes: float64(2), int64(5), object(1)memory usage: 260.0+ bytes

"""
Procesar las fechas en los DataFrames y añadir columnas de mes y año.
"""
# Convertir fechas a tipo datetime
users['reg_date'] = pd.to_datetime(users['reg_date'])
users['churn_date'] = pd.to_datetime(users['churn_date'], errors='coerce')  # Manejar errores de conversión
calls['call_date'] = pd.to_datetime(calls['call_date'])
messages['message_date'] = pd.to_datetime(messages['message_date'])
internet['session_date'] = pd.to_datetime(internet['session_date'])

# Añadir columnas de mes y año
calls['month'] = calls['call_date'].dt.month
messages['month'] = messages['message_date'].dt.month
internet['month'] = internet['session_date'].dt.month

# Agregar columnas separadas de 'city'
users[['city_name', 'state', 'msa']] = users['city'].str.extract(r'([^,]+), ([^ ]+) (MSA)')

# Crear la columna de rango de edad
bins = [0, 18, 25, 35, 45, 55, 65, 100]
labels = ['0-18', '19-25', '26-35', '36-45', '46-55', '56-65', '66+']
users['age_range'] = pd.cut(users['age'], bins=bins, labels=labels, right=False)

# Mostrar las primeras filas del DataFrame 'users' para verificar las nuevas columnas
print(users.head())

   user_id first_name  last_name  age                                   city   reg_date      plan churn_date                      city_name state  msa age_range
0     1000   Anamaria      Bauer   45  Atlanta-Sandy Springs-Roswell, GA MSA 2018-12-24  ultimate        NaT  Atlanta-Sandy Springs-Roswell    GA  MSA     46-55
1     1001     Mickey  Wilkerson   28        Seattle-Tacoma-Bellevue, WA MSA 2018-08-13      surf        NaT        Seattle-Tacoma-Bellevue    WA  MSA     26-35
2     1002     Carlee    Hoffman   36   Las Vegas-Henderson-Paradise, NV MSA 2018-10-21      surf        NaT   Las Vegas-Henderson-Paradise    NV  MSA     36-45
3     1003   Reynaldo    Jenkins   52                          Tulsa, OK MSA 2018-01-28      surf        NaT                          Tulsa    OK  MSA     46-55
4     1004    Leonila   Thompson   40        Seattle-Tacoma-Bellevue, WA MSA 2018-05-23      surf        NaT        Seattle-Tacoma-Bellevue    WA  MSA     36-45

"""
Procesar las fechas en los DataFrames y añadir columnas de mes y año.
"""
# Convertir fechas a tipo datetime
calls['call_date'] = pd.to_datetime(calls['call_date'])
messages['message_date'] = pd.to_datetime(messages['message_date'])
internet['session_date'] = pd.to_datetime(internet['session_date'])
users['reg_date'] = pd.to_datetime(users['reg_date'])
users['churn_date'] = pd.to_datetime(users['churn_date'], errors='coerce')  # Manejar errores de conversión

# Añadir columnas de mes y año
calls['month'] = calls['call_date'].dt.month
messages['month'] = messages['message_date'].dt.month
internet['month'] = internet['session_date'].dt.month

"""
Procesar las fechas en los DataFrames y añadir columnas de mes y año.
"""
# Convertir fechas a tipo datetime
calls['call_date'] = pd.to_datetime(calls['call_date'])
messages['message_date'] = pd.to_datetime(messages['message_date'])
internet['session_date'] = pd.to_datetime(internet['session_date'])
users['reg_date'] = pd.to_datetime(users['reg_date'])
users['churn_date'] = pd.to_datetime(users['churn_date'], errors='coerce')  # Manejar errores de conversión

# Añadir columnas de mes y año
calls['month'] = calls['call_date'].dt.month
messages['month'] = messages['message_date'].dt.month
internet['month'] = internet['session_date'].dt.month

"""
Procesar las fechas en los DataFrames y añadir columnas de mes y año.
"""
# Convertir fechas a tipo datetime
calls['call_date'] = pd.to_datetime(calls['call_date'])
messages['message_date'] = pd.to_datetime(messages['message_date'])
internet['session_date'] = pd.to_datetime(internet['session_date'])
users['reg_date'] = pd.to_datetime(users['reg_date'])
users['churn_date'] = pd.to_datetime(users['churn_date'], errors='coerce')  # Manejar errores de conversión

# Añadir columnas de mes y año
calls['month'] = calls['call_date'].dt.month
messages['month'] = messages['message_date'].dt.month
internet['month'] = internet['session_date'].dt.month

internet.head()

# Función para guardar información de cada columna y el tipo de dato sin imprimirla
def save_column_info(df):
    column_info = {col: df[col].dtype for col in df.columns}
    return column_info

# Función para identificar columnas con espacios en los nombres
def identify_columns_with_spaces(df):
    columns_with_spaces = [col for col in df.columns if ' ' in col]
    return columns_with_spaces

# Función para identificar celdas de texto que no están en minúsculas
def identify_text_not_lowercase(df):
    text_columns_not_lowercase = {}
    for col in df.select_dtypes(include='object').columns:
        non_lowercase = df[col].dropna().apply(lambda x: not x.islower())
        if non_lowercase.any():
            text_columns_not_lowercase[col] = df[col][non_lowercase.index]
    return text_columns_not_lowercase

# Función para mostrar las filas con valores nulos y calcular el porcentaje de incidencia
def count_null_values(df):
    null_counts = df.isnull().sum()
    null_percentage = (null_counts / len(df)) * 100
    null_info = pd.DataFrame({'Valores Nulos': null_counts, 'Porcentaje de Incidencia (%)': null_percentage})
    return null_info, df[df.isnull().any(axis=1)]

# Función para verificar y contar filas duplicadas explícitas
def count_explicit_duplicates(df):
    duplicate_counts = df.duplicated().sum()
    duplicate_percentage = (duplicate_counts / len(df)) * 100
    return duplicate_counts, duplicate_percentage

# Función para identificar problemas en el DataFrame
def identify_issues(df, df_name):
    display(HTML(f"<h3 style='color: turquoise; font-size: 19px;'>Determinación de problemas en el DataFrame '{df_name}'</h3>"))
    
    # Guardar la información de cada columna y el tipo de dato
    column_info = save_column_info(df)
    
    # Sección Columnas con Nombre Erróneos
    display(HTML(f"<h4 style='color: plum;'>Sección Columnas con Nombre Erróneos</h4>"))
    columns_with_spaces = identify_columns_with_spaces(df)
    if columns_with_spaces:
        display(HTML(f"<h4 style='color: plum;'>Nombres de columnas con espacios en '{df_name}':</h4>"))
        for col in columns_with_spaces:
            print(f"- {col}")
    else:
        display(HTML(f"<h4 style='color: plum;'>No se encontraron nombres de columnas con espacios en '{df_name}'</h4>"))

    # Sección Columnas con Textos Erróneos
    display(HTML(f"<h4 style='color: plum;'>Sección Columnas con Textos Erróneos</h4>"))
    text_columns_not_lowercase = identify_text_not_lowercase(df)
    if text_columns_not_lowercase:
        display(HTML(f"<h4 style='color: plum;'>Celdas de texto que no están en minúsculas en '{df_name}':</h4>"))
        for col, values in text_columns_not_lowercase.items():
            display(HTML(f"<h5 style='color: plum;'>Columna: {col}</h5>"))
            print(values)
    else:
        display(HTML(f"<h4 style='color: plum;'>Todas las celdas de texto están en minúsculas en '{df_name}'</h4>"))

    # Sección Valores Erróneos
    display(HTML(f"<h4 style='color: plum;'>Sección Valores Erróneos</h4>"))
    null_info, rows_with_nulls = count_null_values(df)
    display(HTML(f"<h4 style='color: plum;'>Valores nulos antes de la limpieza en '{df_name}':</h4>"))
    display(null_info)
    if not rows_with_nulls.empty:
        display(HTML(f"<h4 style='color: plum;'>Filas con valores nulos en '{df_name}':</h4>"))
        display(rows_with_nulls)
    else:
        display(HTML(f"<h4 style='color: plum;'>No se encontraron filas con valores nulos en '{df_name}'</h4>"))

    # Sección Valores Duplicados
    display(HTML(f"<h4 style='color: plum;'>Sección Valores Duplicados</h4>"))
    duplicate_counts, duplicate_percentage = count_explicit_duplicates(df)
    display(HTML(f"<h5 style='color: plum;'>Total de filas duplicadas explícitas: {duplicate_counts} ({duplicate_percentage:.2f}% de incidencia)</h5>"))

# Función para limpiar datos en el DataFrame
def clean_data(df, df_name):
    display(HTML(f"<h3 style='color: turquoise; font-size: 19px;'>Limpieza de datos en el DataFrame '{df_name}'</h3>"))

    # Guardar la información de cada columna y el tipo de dato
    column_info = save_column_info(df)

    # Sección Columnas con Nombre Erróneos
    display(HTML(f"<h4 style='color: plum;'>Sección Columnas con Nombre Erróneos</h4>"))
    columns_with_spaces = identify_columns_with_spaces(df)
    if columns_with_spaces:
        display(HTML(f"<h4 style='color: plum;'>Nombres de columnas con espacios en '{df_name}':</h4>"))
        for col in columns_with_spaces:
            print(f"- {col}")
    else:
        display(HTML(f"<h4 style='color: plum;'>No se encontraron nombres de columnas con espacios en '{df_name}'</h4>"))

    # Corregir nombres de columnas con espacios
    df.columns = df.columns.str.lower().str.replace(' ', '_')

    # Sección Columnas con Textos Erróneos
    display(HTML(f"<h4 style='color: plum;'>Sección Columnas con Textos Erróneos</h4>"))
    text_columns_not_lowercase = identify_text_not_lowercase(df)
    if text_columns_not_lowercase:
        display(HTML(f"<h4 style='color: plum;'>Celdas de texto que no están en minúsculas en '{df_name}':</h4>"))
        for col, values in text_columns_not_lowercase.items():
            display(HTML(f"<h5 style='color: plum;'>Columna: {col}</h5>"))
            print(values)
        # Convertir celdas de texto a minúsculas
        for col in df.select_dtypes(include='object').columns:
            df[col] = df[col].str.lower()
    else:
        display(HTML(f"<h4 style='color: plum;'>Todas las celdas de texto están en minúsculas en '{df_name}'</h4>"))

    # Sección Valores Erróneos
    display(HTML(f"<h4 style='color: plum;'>Sección Valores Erróneos</h4>"))
    null_info, rows_with_nulls = count_null_values(df)
    display(HTML(f"<h4 style='color: plum;'>Valores nulos antes de la limpieza en '{df_name}':</h4>"))
    display(null_info)
    if not rows_with_nulls.empty:
        display(HTML(f"<h4 style='color: plum;'>Filas con valores nulos en '{df_name}':</h4>"))
        display(rows_with_nulls)
    else:
        display(HTML(f"<h4 style='color: plum;'>No se encontraron filas con valores nulos en '{df_name}'</h4>"))

    # Eliminar filas con valores nulos
    df.dropna(inplace=True)

    # Mostrar el estado después de eliminar valores nulos
    null_info_after, _ = count_null_values(df)
    display(HTML(f"<h4 style='color: plum;'>Valores nulos después de la limpieza en '{df_name}':</h4>"))
    display(null_info_after)

    # Sección Valores Duplicados
    display(HTML(f"<h4 style='color: plum;'>Sección Valores Duplicados</h4>"))
    duplicate_counts, duplicate_percentage = count_explicit_duplicates(df)
    display(HTML(f"<h5 style='color: plum;'>Total de filas duplicadas explícitas antes de la limpieza: {duplicate_counts} ({duplicate_percentage:.2f}% de incidencia)</h5>"))

    # Eliminar duplicados manteniendo solo la primera aparición
    df.drop_duplicates(inplace=True)

    # Mostrar el estado después de eliminar duplicados explícitos
    duplicate_counts_after, duplicate_percentage_after = count_explicit_duplicates(df)
    display(HTML(f"<h5 style='color: plum;'>Total de filas duplicadas explícitas después de la limpieza: {duplicate_counts_after} ({duplicate_percentage_after:.2f}% de incidencia)</h5>"))

    # Mostrar DataFrame limpio
    display(HTML(f"<h4 style='color: plum;'>DataFrame '{df_name}' después de la limpieza</h4>"))
    display(df.head())

# Función principal para limpiar los DataFrames
def clear_dataframe(df, df_name):
    # Identificar problemas en el DataFrame
    identify_issues(df, df_name)
    
    # Limpiar los datos en el DataFrame
    clean_data(df, df_name)

# Lista de DataFrames y sus nombres
dataframes = [
    (users, 'users'),
    (plans, 'plans'),
    (calls, 'calls'),
    (messages, 'messages'),
    (internet, 'internet')
]

# Limpiar todos los DataFrames
for df, name in dataframes:
    clear_dataframe(df, name)

0         Anamaria
1           Mickey
2           Carlee
3         Reynaldo
4          Leonila
5            Livia
6           Jesusa
7          Eusebio
8            Emely
9            Gerry
10          Wilber
11          Halina
12         Jonelle
13         Nicolas
14         Edmundo
15           Beata
16            Jann
17           Boris
18          Dennis
19          Shizue
20           Rutha
21         Ricarda
22              Bo
23            Jack
24            Yuki
25            Jess
26          Meggan
27      Georgeanna
28        Jefferey
29        Franklyn
30           Chase
31            Lane
32          Delila
33         Latoyia
34              Jc
35            Jeff
36           Myron
37           Reena
38         Olympia
39             Flo
40           Paris
41        Drucilla
42      Clementina
43          Carlos
44          Devora
45          Barney
46           Beata
47             Yuk
48         Linwood
49           Loise
50            Jone
51         Rosario
52          Edmond
53           Piper
54           Denis
55         Patrick
56           Denis
57            Theo
58        Reinaldo
59           Avril
60         Denisse
61          Maryam
62        Kristeen
63        Larhonda
64         Gerardo
65         Sherlyn
66           Ariel
67            Robt
68          Marcel
69            Dino
70         Jacelyn
71             Isa
72         Seymour
73           Grady
74        Particia
75          Salena
76           Ronny
77            Chau
78         Earnest
79           Brian
80            Neal
81          Grayce
82         Dominic
83          Lyndia
84           Wiley
85         Ignacio
86           Adena
87          Lenard
88           Paris
89          Malena
90           Brock
91          Taylor
92           Taren
93          Karima
94          Walter
95         Lilliam
96            Song
97         Deandre
98          Collin
99          Shavon
100          Aaron
101           Sage
102      Marquitta
103         Moises
104        Thurman
105        Micheal
106           Eddy
107           Lane
108       Porfirio
109        Dominic
110       Anderson
111         Booker
112           Amal
113        Spencer
114           Esta
115        Yevette
116         Moriah
117           Hank
118          Deane
119       Anderson
120        Abraham
121      Kathaleen
122         Lashay
123        Dierdre
124         Jenell
125        Assunta
126       Jermaine
127      Marchelle
128         Lucius
129          Marin
130       Clarence
131          Shane
132         Edward
133          Larry
134        Shannon
135         Scotty
136         Jasper
137        Allegra
138          Arlie
139         Thomas
140       Randolph
141        Kirstie
142    Charlesetta
143         Lorina
144         Kaycee
145         Venice
146           Loma
147         Duncan
148          Dwana
149         Jamaal
150         Earlie
151          Ralph
152        Merrill
153      Kathaleen
154       Humberto
155         Claude
156         Anette
157        Luciano
158          Robin
159        Dierdre
160         Steven
161       Florance
162           Mark
163          Lanie
164            Kam
165          Nigel
166         Kaycee
167       Rebbecca
168           Shay
169            Hai
170           Olin
171          Devin
172         Weldon
173        Tristan
174         Larisa
175         Shiloh
176       Terrance
177        Seymour
178       Charlsie
179         Darcey
180          Wonda
181            Ron
182           Jeff
183       Jermaine
184        Fredric
185          Loria
186         Josiah
187         Tanner
188       Ethelene
189       Terrence
190           Troy
191           Zack
192          Korey
193       Lacresha
194         Robert
195            Roy
196           Noel
197            Lon
198           Russ
199      Antonetta
200         Delmar
201       Jeanelle
202        Osvaldo
203          Manie
204         Sherly
205         Rafael
206        Angelic
207         Samuel
208        Enrique
209         Garret
210         Shanae
211           Vito
212        Alfredo
213           Carl
214           Emil
215         Adelle
216          Reita
217            Ned
218       Stanford
219          Gavin
220           Jack
221       Mckenzie
222           Cleo
223       Patience
224          Kelly
225      Margarito
226         Denver
227         Vanesa
228           Jude
229       Augustus
230          Andre
231        Gaylord
232         Elidia
233          Janee
234           Matt
235         Felton
236          Odell
237       Leighann
238      Jackeline
239        Quentin
240          Drema
241           Lala
242       Lashunda
243         Isaias
244       Demarcus
245          Quinn
246         Stevie
247         Marion
248         Leigha
249          Kelly
250          Milan
251         Tifany
252         Mitsue
253         Sumiko
254          Billy
255        Kennith
256         Johnny
257        Gabriel
258            Kai
259         Etsuko
260           Alia
261          Dusti
262      Michelina
263          Lucio
264         Jessie
265           Alec
266          Dorie
267            Gia
268         Britni
269         Irving
270       Anjelica
271         Darrin
272         Ernest
273        Hermila
274         Dudley
275          Elvie
276         Karmen
277         Andrew
278         Masako
279           Neal
280         Jasper
281           Zack
282         Annice
283           Alan
284           Yuri
285         Joesph
286          Casie
287          Heide
288        Jenette
289          Steve
290       Thaddeus
291        Angeles
292         Cassey
293          Lanny
294      Demetrius
295           Hung
296         Weston
297          Nicky
298          Loyce
299         Keitha
300           Rene
301          Tomas
302        Leonila
303      Rosamaria
304       Dominque
305          Gwenn
306         Darron
307     Kristopher
308         Samara
309        Winfred
310        Vincent
311        Cherlyn
312           Kory
313        Antoine
314          Brice
315           Mora
316        Lucilla
317       Ruthanne
318           Huey
319         Eliseo
320           Bert
321         Karlyn
322          Tyler
323        Pamelia
324         Romana
325         Cleora
326      Johnathon
327        Natosha
328        Tamesha
329          Doyle
330           Tobi
331      Lashandra
332          Lucas
333           Macy
334        Donovan
335           Gail
336          Vance
337         Lucius
338         Janise
339       Mariette
340          Vanna
341          Kaila
342         Eugene
343        Teresia
344           Hugo
345       Pasquale
346          Emmie
347           Trey
348           Carl
349     Florentina
350             Al
351           Kyle
352          Gavin
353        Emerson
354         Leonel
355          Digna
356            Hae
357            Ria
358         Vaughn
359        Sherley
360         Arturo
361        Jacelyn
362       Kenyetta
363         Sandee
364        Clarine
365        Milford
366            Rod
367           Minh
368          Enola
369        Bernard
370         Nenita
371       Roderick
372         Patria
373        Lindsey
374          Ching
375           Andy
376           Mika
377         Vallie
378       Mckinley
379        Jarrett
380        Lajuana
381         German
382           Luci
383      Margarito
384      Dominique
385         Nohemi
386           Jeni
387       Raymonde
388            Thu
389        Earleen
390        Deloras
391          Errol
392           Gale
393       Wilfredo
394      Alejandro
395        Leonard
396        Ardelia
397         Willow
398         German
399        Leonila
400         Kenton
401       Charmain
402          Jesus
403            Jae
404        Paulita
405         Shella
406          Noble
407        Tristan
408         Alaine
409          Elvis
410        Wendell
411            Man
412         Cortez
413          Andre
414     Georgianne
415        Rosette
416           Deja
417          Jorge
418            Hal
419          Bryon
420         Season
421           Zane
422     Georgianne
423         Malcom
424       Kasandra
425       Latrisha
426         Lamont
427          Zofia
428       Asuncion
429        Arianna
430          Myung
431       Napoleon
432        Azucena
433         Lyndon
434            Kai
435        Darnell
436        Jennine
437          Louis
438         Harvey
439          Moses
440         France
441         Piedad
442        Terrell
443         Genaro
444         Glinda
445         Elodia
446       Pasquale
447          Ramon
448         Elayne
449           Boyd
450          Errol
451         Lenard
452         Miguel
453           Robt
454       Kymberly
455           Jude
456        Seymour
457         Janean
458         Joella
459         Santos
460        Winford
461         Rupert
462         Lesley
463        Dinorah
464           Burt
465        Arianna
466       Alphonse
467       Nickolas
468         Johana
469           Rory
470         Gerald
471         Britni
472         Maximo
473           Kirk
474         Randee
475          Arlen
476        Tammara
477         Magaly
478          Elane
479         Keesha
480         Jasper
481           Roni
482         Armand
483         Miguel
484         Delpha
485         Damion
486           Sang
487          Elton
488        Shirley
489          Londa
490          Shane
491         Terina
492          Elvie
493         Cicely
494        Preston
495          Fidel
496          Ariel
497          Donte
498           Scot
499          Shena
Name: first_name, dtype: object

0           Bauer
1       Wilkerson
2         Hoffman
3         Jenkins
4        Thompson
5         Shields
6        Bradford
7           Welch
8         Hoffman
9          Little
10          Blair
11          Henry
12        Mcbride
13         Snider
14          Simon
15      Carpenter
16        Salinas
17          Gates
18         Grimes
19         Landry
20           Bell
21         Booker
22           Snow
23        Delaney
24          Tyson
25      Wilkinson
26       Hamilton
27       Cardenas
28      Rasmussen
29         Henson
30           Kane
31         Martin
32         Dalton
33          Moran
34         Gentry
35       Cummings
36          Hodge
37      Velazquez
38      Velazquez
39          Hicks
40         Santos
41           Lynn
42     Mclaughlin
43         Hinton
44       Galloway
45         Ortega
46         Hooper
47         French
48        Terrell
49          Avery
50           Owen
51          Gibbs
52        Hopkins
53       Espinoza
54          Frost
55         Mclean
56       Chandler
57        Sargent
58          Colon
59     Richardson
60         Santos
61       Valencia
62           Head
63        Hartman
64         Ashley
65           Noel
66          Woods
67          Allen
68        Jimenez
69            Fry
70      Contreras
71            Roy
72         Spence
73       Crawford
74         Fuller
75          Bates
76       Browning
77        Webster
78           Gray
79         Mccall
80          Mcgee
81          Sears
82           Witt
83        Acevedo
84       Mckinney
85        Bennett
86         Macias
87       Atkinson
88      Robertson
89         Kelley
90        Skinner
91         Oliver
92     Strickland
93        Hampton
94       Petersen
95       Alvarado
96          Cline
97         Powell
98           Sims
99          Banks
100          Rowe
101        Conley
102        Walton
103         Weeks
104      Stephens
105         Poole
106      Garrison
107          Cash
108          Kane
109       Salinas
110        Cotton
111          Hahn
112       Pacheco
113        Powers
114         Estes
115          Yang
116         Yates
117        Taylor
118       Ramirez
119        Palmer
120     Mcconnell
121        Albert
122         Reese
123          Nash
124       Navarro
125        Carver
126       Mcguire
127         Brock
128     Fernandez
129        Bolton
130    Cunningham
131      Morrison
132       Roberts
133          Barr
134       Nichols
135         White
136      Caldwell
137       Hopkins
138       Higgins
139        Lawson
140        Graves
141        Hodges
142       Dillard
143       Stevens
144      Peterson
145        Brooks
146        Mcneil
147        Malone
148         Moore
149       Camacho
150         Giles
151        Monroe
152         Hogan
153      Crawford
154        Pruitt
155          Hahn
156      Chambers
157      Sheppard
158      Thornton
159         Baker
160        Morgan
161       Estrada
162        Farley
163    Washington
164        Macias
165         Huber
166        Bryant
167     Nicholson
168        Weaver
169          Bean
170        Adkins
171     Wilkinson
172      Robinson
173          Cain
174         Ellis
175      Stafford
176       Shaffer
177      Anderson
178          Reid
179         Baird
180          Hays
181       Kaufman
182          Burt
183      Gallegos
184     Middleton
185       Freeman
186       Douglas
187       Goodman
188         Brock
189         Smith
190    Hutchinson
191        Waters
192       Goodwin
193         Olsen
194        Mclean
195         Velez
196        Dawson
197        Parker
198         Horne
199        Finley
200         Cross
201       Estrada
202         Mayer
203        Grimes
204          Levy
205          Wade
206     Singleton
207        Porter
208       Ramirez
209          Paul
210      Carrillo
211       Cameron
212        Pruitt
213        Newman
214        Robles
215         Knapp
216        Atkins
217        Thomas
218          Pena
219        Keller
220        Strong
221     Wilkinson
222      Anderson
223        Wilson
224          Cole
225        Barker
226       Harrell
227        Willis
228          Hale
229        Barker
230         Estes
231          Witt
232       Russell
233       Perkins
234        Taylor
235        Nguyen
236        Juarez
237       Wheeler
238          Byrd
239       Hancock
240         Lopez
241         Walls
242         Johns
243       Compton
244         Ellis
245         David
246         Moran
247     Singleton
248        Dawson
249       Goodman
250       Sellers
251         Mcgee
252          York
253        Dudley
254          Webb
255       Rowland
256          Wise
257     O'donnell
258       Russell
259         Perry
260       Aguilar
261        Forbes
262      Hamilton
263         Duffy
264          Hill
265         Henry
266      Chandler
267        Parker
268        Bowers
269      Thompson
270          Chan
271          Rose
272       Mercado
273          Ryan
274        Massey
275     Velazquez
276        Carney
277      Faulkner
278    Montgomery
279          Duke
280         Berry
281         Hardy
282       Calhoun
283       Burgess
284          Odom
285         Barry
286     Castaneda
287          Gill
288          Rush
289         Blair
290       Compton
291         Mejia
292        French
293         Nolan
294         Russo
295       Flowers
296        Conley
297        Tucker
298        Cooley
299      Harrison
300         Frost
301        Horton
302        Morris
303        Reeves
304          Cole
305         Gross
306         Craig
307          Lang
308        Monroe
309     Zimmerman
310           Fry
311      Saunders
312       Emerson
313         Baker
314        Morgan
315     Schroeder
316         Weeks
317         Heath
318         Walsh
319        Carson
320         Wells
321       Jimenez
322       Sweeney
323        Atkins
324         Moore
325         Lyons
326        Branch
327          Peck
328         Huber
329         Nunez
330        Kinney
331         Ramos
332      Saunders
333         David
334        Horton
335       Coleman
336      Bradshaw
337        Arnold
338        Bowman
339        Mclean
340       Stanton
341       Andrews
342        Patton
343         Ewing
344     Daugherty
345      Caldwell
346      Gonzalez
347         Lynch
348      Rutledge
349          Diaz
350     Rasmussen
351        Grimes
352      Galloway
353     Whitfield
354          Dyer
355         Tyson
356          Ryan
357         Beach
358     Maldonado
359        Norris
360       Mullins
361       Hoffman
362      Mcknight
363          Lott
364        Bonner
365          Rush
366          Huff
367       Fischer
368           Ray
369         Mckee
370       Vasquez
371        Slater
372           Kim
373     Dickerson
374         Watts
375        Holden
376      Williams
377        Conway
378       Clayton
379       Spencer
380        Kelley
381        Burris
382          Kidd
383         Mccoy
384          Good
385      Erickson
386       Gilbert
387          Lowe
388          Noel
389         Glass
390    Strickland
391         Cooke
392      Mcfadden
393          Rosa
394        Carver
395        Wooten
396        Benton
397        Steele
398      Thompson
399         Baird
400       Hickman
401        Bryant
402         Berry
403       Gardner
404        Conley
405        Hunter
406     Jefferson
407     Daugherty
408     Robertson
409        Vargas
410         Lloyd
411       Fleming
412         Reese
413       Hensley
414       Herring
415        Mendez
416          Moss
417        Madden
418        Barnes
419        Gordon
420         Hardy
421         Hobbs
422          Huff
423          Neal
424         Keith
425        Larsen
426        Conner
427         Brock
428        Conrad
429          Rowe
430          Pugh
431          Burt
432       Goodwin
433      Morrison
434          Barr
435        Powell
436        Kinney
437          Neal
438        Brooks
439       Cabrera
440       Barrett
441         Myers
442      Caldwell
443         Quinn
444     Dickerson
445       Donovan
446          Ball
447        Hester
448         Foley
449        Kelley
450       Marquez
451       Harding
452        Sparks
453         Tyler
454         Cohen
455       Fischer
456         Olsen
457         Lynch
458         Munoz
459          Head
460     Underwood
461       Santana
462       Workman
463       Simmons
464         Burke
465      Morrison
466        Harmon
467        Deleon
468           Kim
469         Nixon
470         Reese
471      Mitchell
472       Mendoza
473         Velez
474     Carpenter
475        Sutton
476        Dorsey
477         Rivas
478         David
479       Burnett
480      Buchanan
481          Frye
482         Glenn
483       Farrell
484       Baldwin
485       Woodard
486         Solis
487       Simpson
488         Jones
489       Jenkins
490        Cortez
491        Jensen
492         Jones
493          Wynn
494         Downs
495        Sharpe
496      Shepherd
497       Barrera
498    Williamson
499       Dickson
Name: last_name, dtype: object

0                 Atlanta-Sandy Springs-Roswell, GA MSA
1                       Seattle-Tacoma-Bellevue, WA MSA
2                  Las Vegas-Henderson-Paradise, NV MSA
3                                         Tulsa, OK MSA
4                       Seattle-Tacoma-Bellevue, WA MSA
5                   Dallas-Fort Worth-Arlington, TX MSA
6                San Francisco-Oakland-Berkeley, CA MSA
7                         Grand Rapids-Kentwood, MI MSA
8                     Orlando-Kissimmee-Sanford, FL MSA
9                San Jose-Sunnyvale-Santa Clara, CA MSA
10                  Dallas-Fort Worth-Arlington, TX MSA
11                             Cleveland-Elyria, OH MSA
12               Chicago-Naperville-Elgin, IL-IN-WI MSA
13                                    Knoxville, TN MSA
14            New York-Newark-Jersey City, NY-NJ-PA MSA
15                                   Pittsburgh, PA MSA
16                                       Fresno, CA MSA
17     Washington-Arlington-Alexandria, DC-VA-MD-WV MSA
18                 Indianapolis-Carmel-Anderson, IN MSA
19                                 Jacksonville, FL MSA
20                  Dallas-Fort Worth-Arlington, TX MSA
21               Los Angeles-Long Beach-Anaheim, CA MSA
22            New York-Newark-Jersey City, NY-NJ-PA MSA
23                      Omaha-Council Bluffs, NE-IA MSA
24            New York-Newark-Jersey City, NY-NJ-PA MSA
25                Atlanta-Sandy Springs-Roswell, GA MSA
26             Houston-The Woodlands-Sugar Land, TX MSA
27            New York-Newark-Jersey City, NY-NJ-PA MSA
28      Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
29              Tampa-St. Petersburg-Clearwater, FL MSA
30               Chicago-Naperville-Elgin, IL-IN-WI MSA
31            New York-Newark-Jersey City, NY-NJ-PA MSA
32                            Birmingham-Hoover, AL MSA
33                                Oklahoma City, OK MSA
34            New York-Newark-Jersey City, NY-NJ-PA MSA
35                Charlotte-Concord-Gastonia, NC-SC MSA
36                       Denver-Aurora-Lakewood, CO MSA
37                      Seattle-Tacoma-Bellevue, WA MSA
38     Nashville-Davidson–Murfreesboro–Franklin, TN MSA
39                                     Columbus, OH MSA
40      Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
41                 Las Vegas-Henderson-Paradise, NV MSA
42      Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
43            New York-Newark-Jersey City, NY-NJ-PA MSA
44                                  Albuquerque, NM MSA
45            New York-Newark-Jersey City, NY-NJ-PA MSA
46                   Boston-Cambridge-Newton, MA-NH MSA
47                 Indianapolis-Carmel-Anderson, IN MSA
48        Miami-Fort Lauderdale-West Palm Beach, FL MSA
49            New York-Newark-Jersey City, NY-NJ-PA MSA
50        Miami-Fort Lauderdale-West Palm Beach, FL MSA
51               San Diego-Chula Vista-Carlsbad, CA MSA
52             Houston-The Woodlands-Sugar Land, TX MSA
53            New York-Newark-Jersey City, NY-NJ-PA MSA
54                        Phoenix-Mesa-Chandler, AZ MSA
55              Portland-Vancouver-Hillsboro, OR-WA MSA
56                             Cincinnati, OH-KY-IN MSA
57                Atlanta-Sandy Springs-Roswell, GA MSA
58               Los Angeles-Long Beach-Anaheim, CA MSA
59               Chicago-Naperville-Elgin, IL-IN-WI MSA
60                Atlanta-Sandy Springs-Roswell, GA MSA
61                                     Columbia, SC MSA
62                    San Antonio-New Braunfels, TX MSA
63            New York-Newark-Jersey City, NY-NJ-PA MSA
64            New York-Newark-Jersey City, NY-NJ-PA MSA
65               Los Angeles-Long Beach-Anaheim, CA MSA
66                   Boston-Cambridge-Newton, MA-NH MSA
67                        Grand Rapids-Kentwood, MI MSA
68            New York-Newark-Jersey City, NY-NJ-PA MSA
69             Houston-The Woodlands-Sugar Land, TX MSA
70               Chicago-Naperville-Elgin, IL-IN-WI MSA
71            New York-Newark-Jersey City, NY-NJ-PA MSA
72                  Dallas-Fort Worth-Arlington, TX MSA
73               Chicago-Naperville-Elgin, IL-IN-WI MSA
74                                    Knoxville, TN MSA
75      Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
76                          Buffalo-Cheektowaga, NY MSA
77                Charlotte-Concord-Gastonia, NC-SC MSA
78                      Seattle-Tacoma-Bellevue, WA MSA
79            New York-Newark-Jersey City, NY-NJ-PA MSA
80            New York-Newark-Jersey City, NY-NJ-PA MSA
81                  Dallas-Fort Worth-Arlington, TX MSA
82                                Memphis, TN-MS-AR MSA
83               Los Angeles-Long Beach-Anaheim, CA MSA
84        Miami-Fort Lauderdale-West Palm Beach, FL MSA
85                Atlanta-Sandy Springs-Roswell, GA MSA
86            New York-Newark-Jersey City, NY-NJ-PA MSA
87     Washington-Arlington-Alexandria, DC-VA-MD-WV MSA
88                        Phoenix-Mesa-Chandler, AZ MSA
89      Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
90                 Indianapolis-Carmel-Anderson, IN MSA
91             Riverside-San Bernardino-Ontario, CA MSA
92                  Dallas-Fort Worth-Arlington, TX MSA
93     Nashville-Davidson–Murfreesboro–Franklin, TN MSA
94               Los Angeles-Long Beach-Anaheim, CA MSA
95               Louisville/Jefferson County, KY-IN MSA
96            New York-Newark-Jersey City, NY-NJ-PA MSA
97     Washington-Arlington-Alexandria, DC-VA-MD-WV MSA
98                      Albany-Schenectady-Troy, NY MSA
99            New York-Newark-Jersey City, NY-NJ-PA MSA
100           New York-Newark-Jersey City, NY-NJ-PA MSA
101    Washington-Arlington-Alexandria, DC-VA-MD-WV MSA
102            Riverside-San Bernardino-Ontario, CA MSA
103                     Seattle-Tacoma-Bellevue, WA MSA
104              Chicago-Naperville-Elgin, IL-IN-WI MSA
105                       Providence-Warwick, RI-MA MSA
106           New York-Newark-Jersey City, NY-NJ-PA MSA
107           New York-Newark-Jersey City, NY-NJ-PA MSA
108                              Salt Lake City, UT MSA
109           New York-Newark-Jersey City, NY-NJ-PA MSA
110    Washington-Arlington-Alexandria, DC-VA-MD-WV MSA
111                              Urban Honolulu, HI MSA
112                       Grand Rapids-Kentwood, MI MSA
113           New York-Newark-Jersey City, NY-NJ-PA MSA
114           New York-Newark-Jersey City, NY-NJ-PA MSA
115                                     El Paso, TX MSA
116                            Cincinnati, OH-KY-IN MSA
117                 Dallas-Fort Worth-Arlington, TX MSA
118                                    Columbus, OH MSA
119              Louisville/Jefferson County, KY-IN MSA
120           New York-Newark-Jersey City, NY-NJ-PA MSA
121       Miami-Fort Lauderdale-West Palm Beach, FL MSA
122       Miami-Fort Lauderdale-West Palm Beach, FL MSA
123     Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
124                           New Haven-Milford, CT MSA
125               North Port-Sarasota-Bradenton, FL MSA
126              Chicago-Naperville-Elgin, IL-IN-WI MSA
127           New York-Newark-Jersey City, NY-NJ-PA MSA
128                                   Knoxville, TN MSA
129                                 Baton Rouge, LA MSA
130     Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
131              Los Angeles-Long Beach-Anaheim, CA MSA
132              San Francisco-Oakland-Berkeley, CA MSA
133                            Cincinnati, OH-KY-IN MSA
134              Chicago-Naperville-Elgin, IL-IN-WI MSA
135       Miami-Fort Lauderdale-West Palm Beach, FL MSA
136                                   Knoxville, TN MSA
137              Chicago-Naperville-Elgin, IL-IN-WI MSA
138            Riverside-San Bernardino-Ontario, CA MSA
139                        New Orleans-Metairie, LA MSA
140           New York-Newark-Jersey City, NY-NJ-PA MSA
141           New York-Newark-Jersey City, NY-NJ-PA MSA
142                        New Orleans-Metairie, LA MSA
143                            Cincinnati, OH-KY-IN MSA
144           New York-Newark-Jersey City, NY-NJ-PA MSA
145              San Jose-Sunnyvale-Santa Clara, CA MSA
146           New York-Newark-Jersey City, NY-NJ-PA MSA
147                              Urban Honolulu, HI MSA
148                                    Columbia, SC MSA
149              San Francisco-Oakland-Berkeley, CA MSA
150            Houston-The Woodlands-Sugar Land, TX MSA
151           New York-Newark-Jersey City, NY-NJ-PA MSA
152                   Orlando-Kissimmee-Sanford, FL MSA
153                 Bridgeport-Stamford-Norwalk, CT MSA
154    Nashville-Davidson–Murfreesboro–Franklin, TN MSA
155       Miami-Fort Lauderdale-West Palm Beach, FL MSA
156                                 Albuquerque, NM MSA
157              Los Angeles-Long Beach-Anaheim, CA MSA
158      Virginia Beach-Norfolk-Newport News, VA-NC MSA
159       Miami-Fort Lauderdale-West Palm Beach, FL MSA
160             Portland-Vancouver-Hillsboro, OR-WA MSA
161           New York-Newark-Jersey City, NY-NJ-PA MSA
162              Los Angeles-Long Beach-Anaheim, CA MSA
163              Los Angeles-Long Beach-Anaheim, CA MSA
164              Chicago-Naperville-Elgin, IL-IN-WI MSA
165     Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
166                   Baltimore-Columbia-Towson, MD MSA
167                      Denver-Aurora-Lakewood, CO MSA
168                          Milwaukee-Waukesha, WI MSA
169           New York-Newark-Jersey City, NY-NJ-PA MSA
170                                  Pittsburgh, PA MSA
171                  Boston-Cambridge-Newton, MA-NH MSA
172                  Boston-Cambridge-Newton, MA-NH MSA
173                Oxnard-Thousand Oaks-Ventura, CA MSA
174                            Cleveland-Elyria, OH MSA
175           New York-Newark-Jersey City, NY-NJ-PA MSA
176           New York-Newark-Jersey City, NY-NJ-PA MSA
177                     Seattle-Tacoma-Bellevue, WA MSA
178                            Cincinnati, OH-KY-IN MSA
179                 Dallas-Fort Worth-Arlington, TX MSA
180           New York-Newark-Jersey City, NY-NJ-PA MSA
181           New York-Newark-Jersey City, NY-NJ-PA MSA
182               Charlotte-Concord-Gastonia, NC-SC MSA
183              Chicago-Naperville-Elgin, IL-IN-WI MSA
184                 Sacramento–Roseville–Folsom, CA MSA
185              Louisville/Jefferson County, KY-IN MSA
186                Las Vegas-Henderson-Paradise, NV MSA
187                Austin-Round Rock-Georgetown, TX MSA
188                                    Richmond, VA MSA
189                                    Columbus, OH MSA
190      Virginia Beach-Norfolk-Newport News, VA-NC MSA
191                                St. Louis, MO-IL MSA
192                         Buffalo-Cheektowaga, NY MSA
193            Houston-The Woodlands-Sugar Land, TX MSA
194              San Jose-Sunnyvale-Santa Clara, CA MSA
195             Portland-Vancouver-Hillsboro, OR-WA MSA
196              Los Angeles-Long Beach-Anaheim, CA MSA
197           New York-Newark-Jersey City, NY-NJ-PA MSA
198           New York-Newark-Jersey City, NY-NJ-PA MSA
199                   San Antonio-New Braunfels, TX MSA
200                  Boston-Cambridge-Newton, MA-NH MSA
201                 Bridgeport-Stamford-Norwalk, CT MSA
202         Minneapolis-St. Paul-Bloomington, MN-WI MSA
203                  Boston-Cambridge-Newton, MA-NH MSA
204              Chicago-Naperville-Elgin, IL-IN-WI MSA
205           New York-Newark-Jersey City, NY-NJ-PA MSA
206                       Providence-Warwick, RI-MA MSA
207                     Omaha-Council Bluffs, NE-IA MSA
208              San Diego-Chula Vista-Carlsbad, CA MSA
209              Los Angeles-Long Beach-Anaheim, CA MSA
210                               Oklahoma City, OK MSA
211           New York-Newark-Jersey City, NY-NJ-PA MSA
212                Austin-Round Rock-Georgetown, TX MSA
213              San Diego-Chula Vista-Carlsbad, CA MSA
214              San Francisco-Oakland-Berkeley, CA MSA
215           New York-Newark-Jersey City, NY-NJ-PA MSA
216              San Francisco-Oakland-Berkeley, CA MSA
217                            Dayton-Kettering, OH MSA
218                                 Bakersfield, CA MSA
219                     Detroit-Warren-Dearborn, MI MSA
220                            Cincinnati, OH-KY-IN MSA
221                  Boston-Cambridge-Newton, MA-NH MSA
222              Los Angeles-Long Beach-Anaheim, CA MSA
223                       Phoenix-Mesa-Chandler, AZ MSA
224               Atlanta-Sandy Springs-Roswell, GA MSA
225                                    Columbia, SC MSA
226            Riverside-San Bernardino-Ontario, CA MSA
227                 Dallas-Fort Worth-Arlington, TX MSA
228                     Detroit-Warren-Dearborn, MI MSA
229                Austin-Round Rock-Georgetown, TX MSA
230           New York-Newark-Jersey City, NY-NJ-PA MSA
231              San Jose-Sunnyvale-Santa Clara, CA MSA
232              Chicago-Naperville-Elgin, IL-IN-WI MSA
233               Atlanta-Sandy Springs-Roswell, GA MSA
234                     Seattle-Tacoma-Bellevue, WA MSA
235         Minneapolis-St. Paul-Bloomington, MN-WI MSA
236         Minneapolis-St. Paul-Bloomington, MN-WI MSA
237           New York-Newark-Jersey City, NY-NJ-PA MSA
238                 Dallas-Fort Worth-Arlington, TX MSA
239                                      Fresno, CA MSA
240                                 Baton Rouge, LA MSA
241                                    Richmond, VA MSA
242                   San Antonio-New Braunfels, TX MSA
243                       Phoenix-Mesa-Chandler, AZ MSA
244                           Birmingham-Hoover, AL MSA
245           New York-Newark-Jersey City, NY-NJ-PA MSA
246             Tampa-St. Petersburg-Clearwater, FL MSA
247              Los Angeles-Long Beach-Anaheim, CA MSA
248    Nashville-Davidson–Murfreesboro–Franklin, TN MSA
249                            Cincinnati, OH-KY-IN MSA
250            Houston-The Woodlands-Sugar Land, TX MSA
251           New York-Newark-Jersey City, NY-NJ-PA MSA
252                     Detroit-Warren-Dearborn, MI MSA
253                            Cleveland-Elyria, OH MSA
254                     Detroit-Warren-Dearborn, MI MSA
255                               Oklahoma City, OK MSA
256              Chicago-Naperville-Elgin, IL-IN-WI MSA
257           New York-Newark-Jersey City, NY-NJ-PA MSA
258              Chicago-Naperville-Elgin, IL-IN-WI MSA
259     Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
260              Los Angeles-Long Beach-Anaheim, CA MSA
261                              Kansas City, MO-KS MSA
262                 Dallas-Fort Worth-Arlington, TX MSA
263                  Boston-Cambridge-Newton, MA-NH MSA
264              Los Angeles-Long Beach-Anaheim, CA MSA
265    Washington-Arlington-Alexandria, DC-VA-MD-WV MSA
266           New York-Newark-Jersey City, NY-NJ-PA MSA
267                                St. Louis, MO-IL MSA
268                                      Fresno, CA MSA
269                 Dallas-Fort Worth-Arlington, TX MSA
270     Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
271           New York-Newark-Jersey City, NY-NJ-PA MSA
272         Minneapolis-St. Paul-Bloomington, MN-WI MSA
273                                 Baton Rouge, LA MSA
274     Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
275           New York-Newark-Jersey City, NY-NJ-PA MSA
276                       Phoenix-Mesa-Chandler, AZ MSA
277           New York-Newark-Jersey City, NY-NJ-PA MSA
278                            Dayton-Kettering, OH MSA
279                                 Baton Rouge, LA MSA
280           New York-Newark-Jersey City, NY-NJ-PA MSA
281               Charlotte-Concord-Gastonia, NC-SC MSA
282              San Francisco-Oakland-Berkeley, CA MSA
283                 Charleston-North Charleston, SC MSA
284                            Dayton-Kettering, OH MSA
285              Los Angeles-Long Beach-Anaheim, CA MSA
286                           New Haven-Milford, CT MSA
287                 Sacramento–Roseville–Folsom, CA MSA
288                Las Vegas-Henderson-Paradise, NV MSA
289                     Detroit-Warren-Dearborn, MI MSA
290           New York-Newark-Jersey City, NY-NJ-PA MSA
291                Indianapolis-Carmel-Anderson, IN MSA
292                 Dallas-Fort Worth-Arlington, TX MSA
293     Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
294           New York-Newark-Jersey City, NY-NJ-PA MSA
295                              Kansas City, MO-KS MSA
296       Miami-Fort Lauderdale-West Palm Beach, FL MSA
297              Los Angeles-Long Beach-Anaheim, CA MSA
298    Nashville-Davidson–Murfreesboro–Franklin, TN MSA
299           New York-Newark-Jersey City, NY-NJ-PA MSA
300           New York-Newark-Jersey City, NY-NJ-PA MSA
301              Chicago-Naperville-Elgin, IL-IN-WI MSA
302                                   Rochester, NY MSA
303                     Detroit-Warren-Dearborn, MI MSA
304                           Birmingham-Hoover, AL MSA
305              Los Angeles-Long Beach-Anaheim, CA MSA
306    Washington-Arlington-Alexandria, DC-VA-MD-WV MSA
307                  Boston-Cambridge-Newton, MA-NH MSA
308      Virginia Beach-Norfolk-Newport News, VA-NC MSA
309              San Diego-Chula Vista-Carlsbad, CA MSA
310             Portland-Vancouver-Hillsboro, OR-WA MSA
311                               Memphis, TN-MS-AR MSA
312                                      Fresno, CA MSA
313              San Francisco-Oakland-Berkeley, CA MSA
314              Los Angeles-Long Beach-Anaheim, CA MSA
315                                Raleigh-Cary, NC MSA
316                                       Tulsa, OK MSA
317                       Phoenix-Mesa-Chandler, AZ MSA
318               Atlanta-Sandy Springs-Roswell, GA MSA
319                            Colorado Springs, CO MSA
320              Los Angeles-Long Beach-Anaheim, CA MSA
321               North Port-Sarasota-Bradenton, FL MSA
322                                      Fresno, CA MSA
323                   Baltimore-Columbia-Towson, MD MSA
324         Minneapolis-St. Paul-Bloomington, MN-WI MSA
325                 Dallas-Fort Worth-Arlington, TX MSA
326                       Greensboro-High Point, NC MSA
327           New York-Newark-Jersey City, NY-NJ-PA MSA
328         Minneapolis-St. Paul-Bloomington, MN-WI MSA
329                 Charleston-North Charleston, SC MSA
330                Las Vegas-Henderson-Paradise, NV MSA
331                 Dallas-Fort Worth-Arlington, TX MSA
332               Atlanta-Sandy Springs-Roswell, GA MSA
333              Los Angeles-Long Beach-Anaheim, CA MSA
334                     Seattle-Tacoma-Bellevue, WA MSA
335                 Dallas-Fort Worth-Arlington, TX MSA
336             Portland-Vancouver-Hillsboro, OR-WA MSA
337            Riverside-San Bernardino-Ontario, CA MSA
338         Minneapolis-St. Paul-Bloomington, MN-WI MSA
339               Charlotte-Concord-Gastonia, NC-SC MSA
340                 Dallas-Fort Worth-Arlington, TX MSA
341              Chicago-Naperville-Elgin, IL-IN-WI MSA
342                Indianapolis-Carmel-Anderson, IN MSA
343       Miami-Fort Lauderdale-West Palm Beach, FL MSA
344           New York-Newark-Jersey City, NY-NJ-PA MSA
345              Los Angeles-Long Beach-Anaheim, CA MSA
346                                      Tucson, AZ MSA
347                 Charleston-North Charleston, SC MSA
348                     Detroit-Warren-Dearborn, MI MSA
349                  Boston-Cambridge-Newton, MA-NH MSA
350               Atlanta-Sandy Springs-Roswell, GA MSA
351                   San Antonio-New Braunfels, TX MSA
352                     Seattle-Tacoma-Bellevue, WA MSA
353               North Port-Sarasota-Bradenton, FL MSA
354           New York-Newark-Jersey City, NY-NJ-PA MSA
355              Los Angeles-Long Beach-Anaheim, CA MSA
356                          Milwaukee-Waukesha, WI MSA
357                                 Baton Rouge, LA MSA
358           New York-Newark-Jersey City, NY-NJ-PA MSA
359                            Colorado Springs, CO MSA
360               Charlotte-Concord-Gastonia, NC-SC MSA
361                           Birmingham-Hoover, AL MSA
362                      Denver-Aurora-Lakewood, CO MSA
363                     Seattle-Tacoma-Bellevue, WA MSA
364              San Diego-Chula Vista-Carlsbad, CA MSA
365                       Grand Rapids-Kentwood, MI MSA
366                            Cincinnati, OH-KY-IN MSA
367                   Baltimore-Columbia-Towson, MD MSA
368                                  Pittsburgh, PA MSA
369                          Milwaukee-Waukesha, WI MSA
370              San Diego-Chula Vista-Carlsbad, CA MSA
371             Portland-Vancouver-Hillsboro, OR-WA MSA
372           New York-Newark-Jersey City, NY-NJ-PA MSA
373         Minneapolis-St. Paul-Bloomington, MN-WI MSA
374              Louisville/Jefferson County, KY-IN MSA
375     Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
376                                    Columbia, SC MSA
377                                   Rochester, NY MSA
378                      Denver-Aurora-Lakewood, CO MSA
379                       Grand Rapids-Kentwood, MI MSA
380              San Jose-Sunnyvale-Santa Clara, CA MSA
381                Austin-Round Rock-Georgetown, TX MSA
382              San Diego-Chula Vista-Carlsbad, CA MSA
383             Tampa-St. Petersburg-Clearwater, FL MSA
384     Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
385           New York-Newark-Jersey City, NY-NJ-PA MSA
386                     Seattle-Tacoma-Bellevue, WA MSA
387                 Bridgeport-Stamford-Norwalk, CT MSA
388           New York-Newark-Jersey City, NY-NJ-PA MSA
389       Miami-Fort Lauderdale-West Palm Beach, FL MSA
390              Chicago-Naperville-Elgin, IL-IN-WI MSA
391           New York-Newark-Jersey City, NY-NJ-PA MSA
392                     Seattle-Tacoma-Bellevue, WA MSA
393                                   Knoxville, TN MSA
394                                    Stockton, CA MSA
395           New York-Newark-Jersey City, NY-NJ-PA MSA
396                              Salt Lake City, UT MSA
397                               Oklahoma City, OK MSA
398                      Denver-Aurora-Lakewood, CO MSA
399                   San Antonio-New Braunfels, TX MSA
400            Riverside-San Bernardino-Ontario, CA MSA
401                                    Richmond, VA MSA
402           New York-Newark-Jersey City, NY-NJ-PA MSA
403    Washington-Arlington-Alexandria, DC-VA-MD-WV MSA
404           New York-Newark-Jersey City, NY-NJ-PA MSA
405                Indianapolis-Carmel-Anderson, IN MSA
406              San Diego-Chula Vista-Carlsbad, CA MSA
407           New York-Newark-Jersey City, NY-NJ-PA MSA
408                   Baltimore-Columbia-Towson, MD MSA
409               Charlotte-Concord-Gastonia, NC-SC MSA
410              Los Angeles-Long Beach-Anaheim, CA MSA
411                                   Rochester, NY MSA
412                     Detroit-Warren-Dearborn, MI MSA
413                                 Bakersfield, CA MSA
414                              Urban Honolulu, HI MSA
415                  Boston-Cambridge-Newton, MA-NH MSA
416         Minneapolis-St. Paul-Bloomington, MN-WI MSA
417         Minneapolis-St. Paul-Bloomington, MN-WI MSA
418           New York-Newark-Jersey City, NY-NJ-PA MSA
419                       Phoenix-Mesa-Chandler, AZ MSA
420              San Francisco-Oakland-Berkeley, CA MSA
421                       Phoenix-Mesa-Chandler, AZ MSA
422              Los Angeles-Long Beach-Anaheim, CA MSA
423     Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
424      Virginia Beach-Norfolk-Newport News, VA-NC MSA
425                Las Vegas-Henderson-Paradise, NV MSA
426              San Francisco-Oakland-Berkeley, CA MSA
427    Washington-Arlington-Alexandria, DC-VA-MD-WV MSA
428                       Phoenix-Mesa-Chandler, AZ MSA
429           New York-Newark-Jersey City, NY-NJ-PA MSA
430           New York-Newark-Jersey City, NY-NJ-PA MSA
431                 Sacramento–Roseville–Folsom, CA MSA
432                              Salt Lake City, UT MSA
433     Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
434           New York-Newark-Jersey City, NY-NJ-PA MSA
435    Washington-Arlington-Alexandria, DC-VA-MD-WV MSA
436     Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
437                 Dallas-Fort Worth-Arlington, TX MSA
438                   Orlando-Kissimmee-Sanford, FL MSA
439            Riverside-San Bernardino-Ontario, CA MSA
440    Nashville-Davidson–Murfreesboro–Franklin, TN MSA
441               Atlanta-Sandy Springs-Roswell, GA MSA
442           New York-Newark-Jersey City, NY-NJ-PA MSA
443               Atlanta-Sandy Springs-Roswell, GA MSA
444                           New Haven-Milford, CT MSA
445                 Dallas-Fort Worth-Arlington, TX MSA
446                Austin-Round Rock-Georgetown, TX MSA
447                   Orlando-Kissimmee-Sanford, FL MSA
448                              Urban Honolulu, HI MSA
449                     Seattle-Tacoma-Bellevue, WA MSA
450                                 Bakersfield, CA MSA
451               Charlotte-Concord-Gastonia, NC-SC MSA
452                                      Tucson, AZ MSA
453              Los Angeles-Long Beach-Anaheim, CA MSA
454                   San Antonio-New Braunfels, TX MSA
455                      Denver-Aurora-Lakewood, CO MSA
456         Minneapolis-St. Paul-Bloomington, MN-WI MSA
457           New York-Newark-Jersey City, NY-NJ-PA MSA
458                     Detroit-Warren-Dearborn, MI MSA
459              San Francisco-Oakland-Berkeley, CA MSA
460                                      Fresno, CA MSA
461                                  Pittsburgh, PA MSA
462                Las Vegas-Henderson-Paradise, NV MSA
463               Atlanta-Sandy Springs-Roswell, GA MSA
464                       Providence-Warwick, RI-MA MSA
465                                  Pittsburgh, PA MSA
466              Los Angeles-Long Beach-Anaheim, CA MSA
467               Atlanta-Sandy Springs-Roswell, GA MSA
468                      Denver-Aurora-Lakewood, CO MSA
469           New York-Newark-Jersey City, NY-NJ-PA MSA
470    Washington-Arlington-Alexandria, DC-VA-MD-WV MSA
471                                    Richmond, VA MSA
472              San Francisco-Oakland-Berkeley, CA MSA
473              Louisville/Jefferson County, KY-IN MSA
474                                 Bakersfield, CA MSA
475                 Dallas-Fort Worth-Arlington, TX MSA
476              Los Angeles-Long Beach-Anaheim, CA MSA
477            Riverside-San Bernardino-Ontario, CA MSA
478             Portland-Vancouver-Hillsboro, OR-WA MSA
479            Riverside-San Bernardino-Ontario, CA MSA
480                                St. Louis, MO-IL MSA
481                              Urban Honolulu, HI MSA
482           New York-Newark-Jersey City, NY-NJ-PA MSA
483              Chicago-Naperville-Elgin, IL-IN-WI MSA
484                 Dallas-Fort Worth-Arlington, TX MSA
485    Nashville-Davidson–Murfreesboro–Franklin, TN MSA
486                   Orlando-Kissimmee-Sanford, FL MSA
487                       Cape Coral-Fort Myers, FL MSA
488                                 Baton Rouge, LA MSA
489                     Detroit-Warren-Dearborn, MI MSA
490                 Sacramento–Roseville–Folsom, CA MSA
491                       Grand Rapids-Kentwood, MI MSA
492             Portland-Vancouver-Hillsboro, OR-WA MSA
493                  Boston-Cambridge-Newton, MA-NH MSA
494           New York-Newark-Jersey City, NY-NJ-PA MSA
495           New York-Newark-Jersey City, NY-NJ-PA MSA
496                        New Orleans-Metairie, LA MSA
497              Los Angeles-Long Beach-Anaheim, CA MSA
498           New York-Newark-Jersey City, NY-NJ-PA MSA
499                   Orlando-Kissimmee-Sanford, FL MSA
Name: city, dtype: object

0                 Atlanta-Sandy Springs-Roswell
1                       Seattle-Tacoma-Bellevue
2                  Las Vegas-Henderson-Paradise
3                                         Tulsa
4                       Seattle-Tacoma-Bellevue
5                   Dallas-Fort Worth-Arlington
6                San Francisco-Oakland-Berkeley
7                         Grand Rapids-Kentwood
8                     Orlando-Kissimmee-Sanford
9                San Jose-Sunnyvale-Santa Clara
10                  Dallas-Fort Worth-Arlington
11                             Cleveland-Elyria
12                     Chicago-Naperville-Elgin
13                                    Knoxville
14                  New York-Newark-Jersey City
15                                   Pittsburgh
16                                       Fresno
17              Washington-Arlington-Alexandria
18                 Indianapolis-Carmel-Anderson
19                                 Jacksonville
20                  Dallas-Fort Worth-Arlington
21               Los Angeles-Long Beach-Anaheim
22                  New York-Newark-Jersey City
23                         Omaha-Council Bluffs
24                  New York-Newark-Jersey City
25                Atlanta-Sandy Springs-Roswell
26             Houston-The Woodlands-Sugar Land
27                  New York-Newark-Jersey City
28               Philadelphia-Camden-Wilmington
29              Tampa-St. Petersburg-Clearwater
30                     Chicago-Naperville-Elgin
31                  New York-Newark-Jersey City
32                            Birmingham-Hoover
33                                Oklahoma City
34                  New York-Newark-Jersey City
35                   Charlotte-Concord-Gastonia
36                       Denver-Aurora-Lakewood
37                      Seattle-Tacoma-Bellevue
38     Nashville-Davidson–Murfreesboro–Franklin
39                                     Columbus
40               Philadelphia-Camden-Wilmington
41                 Las Vegas-Henderson-Paradise
42               Philadelphia-Camden-Wilmington
43                  New York-Newark-Jersey City
44                                  Albuquerque
45                  New York-Newark-Jersey City
46                      Boston-Cambridge-Newton
47                 Indianapolis-Carmel-Anderson
48        Miami-Fort Lauderdale-West Palm Beach
49                  New York-Newark-Jersey City
50        Miami-Fort Lauderdale-West Palm Beach
51               San Diego-Chula Vista-Carlsbad
52             Houston-The Woodlands-Sugar Land
53                  New York-Newark-Jersey City
54                        Phoenix-Mesa-Chandler
55                 Portland-Vancouver-Hillsboro
56                                   Cincinnati
57                Atlanta-Sandy Springs-Roswell
58               Los Angeles-Long Beach-Anaheim
59                     Chicago-Naperville-Elgin
60                Atlanta-Sandy Springs-Roswell
61                                     Columbia
62                    San Antonio-New Braunfels
63                  New York-Newark-Jersey City
64                  New York-Newark-Jersey City
65               Los Angeles-Long Beach-Anaheim
66                      Boston-Cambridge-Newton
67                        Grand Rapids-Kentwood
68                  New York-Newark-Jersey City
69             Houston-The Woodlands-Sugar Land
70                     Chicago-Naperville-Elgin
71                  New York-Newark-Jersey City
72                  Dallas-Fort Worth-Arlington
73                     Chicago-Naperville-Elgin
74                                    Knoxville
75               Philadelphia-Camden-Wilmington
76                          Buffalo-Cheektowaga
77                   Charlotte-Concord-Gastonia
78                      Seattle-Tacoma-Bellevue
79                  New York-Newark-Jersey City
80                  New York-Newark-Jersey City
81                  Dallas-Fort Worth-Arlington
82                                      Memphis
83               Los Angeles-Long Beach-Anaheim
84        Miami-Fort Lauderdale-West Palm Beach
85                Atlanta-Sandy Springs-Roswell
86                  New York-Newark-Jersey City
87              Washington-Arlington-Alexandria
88                        Phoenix-Mesa-Chandler
89               Philadelphia-Camden-Wilmington
90                 Indianapolis-Carmel-Anderson
91             Riverside-San Bernardino-Ontario
92                  Dallas-Fort Worth-Arlington
93     Nashville-Davidson–Murfreesboro–Franklin
94               Los Angeles-Long Beach-Anaheim
95                  Louisville/Jefferson County
96                  New York-Newark-Jersey City
97              Washington-Arlington-Alexandria
98                      Albany-Schenectady-Troy
99                  New York-Newark-Jersey City
100                 New York-Newark-Jersey City
101             Washington-Arlington-Alexandria
102            Riverside-San Bernardino-Ontario
103                     Seattle-Tacoma-Bellevue
104                    Chicago-Naperville-Elgin
105                          Providence-Warwick
106                 New York-Newark-Jersey City
107                 New York-Newark-Jersey City
108                              Salt Lake City
109                 New York-Newark-Jersey City
110             Washington-Arlington-Alexandria
111                              Urban Honolulu
112                       Grand Rapids-Kentwood
113                 New York-Newark-Jersey City
114                 New York-Newark-Jersey City
115                                     El Paso
116                                  Cincinnati
117                 Dallas-Fort Worth-Arlington
118                                    Columbus
119                 Louisville/Jefferson County
120                 New York-Newark-Jersey City
121       Miami-Fort Lauderdale-West Palm Beach
122       Miami-Fort Lauderdale-West Palm Beach
123              Philadelphia-Camden-Wilmington
124                           New Haven-Milford
125               North Port-Sarasota-Bradenton
126                    Chicago-Naperville-Elgin
127                 New York-Newark-Jersey City
128                                   Knoxville
129                                 Baton Rouge
130              Philadelphia-Camden-Wilmington
131              Los Angeles-Long Beach-Anaheim
132              San Francisco-Oakland-Berkeley
133                                  Cincinnati
134                    Chicago-Naperville-Elgin
135       Miami-Fort Lauderdale-West Palm Beach
136                                   Knoxville
137                    Chicago-Naperville-Elgin
138            Riverside-San Bernardino-Ontario
139                        New Orleans-Metairie
140                 New York-Newark-Jersey City
141                 New York-Newark-Jersey City
142                        New Orleans-Metairie
143                                  Cincinnati
144                 New York-Newark-Jersey City
145              San Jose-Sunnyvale-Santa Clara
146                 New York-Newark-Jersey City
147                              Urban Honolulu
148                                    Columbia
149              San Francisco-Oakland-Berkeley
150            Houston-The Woodlands-Sugar Land
151                 New York-Newark-Jersey City
152                   Orlando-Kissimmee-Sanford
153                 Bridgeport-Stamford-Norwalk
154    Nashville-Davidson–Murfreesboro–Franklin
155       Miami-Fort Lauderdale-West Palm Beach
156                                 Albuquerque
157              Los Angeles-Long Beach-Anaheim
158         Virginia Beach-Norfolk-Newport News
159       Miami-Fort Lauderdale-West Palm Beach
160                Portland-Vancouver-Hillsboro
161                 New York-Newark-Jersey City
162              Los Angeles-Long Beach-Anaheim
163              Los Angeles-Long Beach-Anaheim
164                    Chicago-Naperville-Elgin
165              Philadelphia-Camden-Wilmington
166                   Baltimore-Columbia-Towson
167                      Denver-Aurora-Lakewood
168                          Milwaukee-Waukesha
169                 New York-Newark-Jersey City
170                                  Pittsburgh
171                     Boston-Cambridge-Newton
172                     Boston-Cambridge-Newton
173                Oxnard-Thousand Oaks-Ventura
174                            Cleveland-Elyria
175                 New York-Newark-Jersey City
176                 New York-Newark-Jersey City
177                     Seattle-Tacoma-Bellevue
178                                  Cincinnati
179                 Dallas-Fort Worth-Arlington
180                 New York-Newark-Jersey City
181                 New York-Newark-Jersey City
182                  Charlotte-Concord-Gastonia
183                    Chicago-Naperville-Elgin
184                 Sacramento–Roseville–Folsom
185                 Louisville/Jefferson County
186                Las Vegas-Henderson-Paradise
187                Austin-Round Rock-Georgetown
188                                    Richmond
189                                    Columbus
190         Virginia Beach-Norfolk-Newport News
191                                   St. Louis
192                         Buffalo-Cheektowaga
193            Houston-The Woodlands-Sugar Land
194              San Jose-Sunnyvale-Santa Clara
195                Portland-Vancouver-Hillsboro
196              Los Angeles-Long Beach-Anaheim
197                 New York-Newark-Jersey City
198                 New York-Newark-Jersey City
199                   San Antonio-New Braunfels
200                     Boston-Cambridge-Newton
201                 Bridgeport-Stamford-Norwalk
202            Minneapolis-St. Paul-Bloomington
203                     Boston-Cambridge-Newton
204                    Chicago-Naperville-Elgin
205                 New York-Newark-Jersey City
206                          Providence-Warwick
207                        Omaha-Council Bluffs
208              San Diego-Chula Vista-Carlsbad
209              Los Angeles-Long Beach-Anaheim
210                               Oklahoma City
211                 New York-Newark-Jersey City
212                Austin-Round Rock-Georgetown
213              San Diego-Chula Vista-Carlsbad
214              San Francisco-Oakland-Berkeley
215                 New York-Newark-Jersey City
216              San Francisco-Oakland-Berkeley
217                            Dayton-Kettering
218                                 Bakersfield
219                     Detroit-Warren-Dearborn
220                                  Cincinnati
221                     Boston-Cambridge-Newton
222              Los Angeles-Long Beach-Anaheim
223                       Phoenix-Mesa-Chandler
224               Atlanta-Sandy Springs-Roswell
225                                    Columbia
226            Riverside-San Bernardino-Ontario
227                 Dallas-Fort Worth-Arlington
228                     Detroit-Warren-Dearborn
229                Austin-Round Rock-Georgetown
230                 New York-Newark-Jersey City
231              San Jose-Sunnyvale-Santa Clara
232                    Chicago-Naperville-Elgin
233               Atlanta-Sandy Springs-Roswell
234                     Seattle-Tacoma-Bellevue
235            Minneapolis-St. Paul-Bloomington
236            Minneapolis-St. Paul-Bloomington
237                 New York-Newark-Jersey City
238                 Dallas-Fort Worth-Arlington
239                                      Fresno
240                                 Baton Rouge
241                                    Richmond
242                   San Antonio-New Braunfels
243                       Phoenix-Mesa-Chandler
244                           Birmingham-Hoover
245                 New York-Newark-Jersey City
246             Tampa-St. Petersburg-Clearwater
247              Los Angeles-Long Beach-Anaheim
248    Nashville-Davidson–Murfreesboro–Franklin
249                                  Cincinnati
250            Houston-The Woodlands-Sugar Land
251                 New York-Newark-Jersey City
252                     Detroit-Warren-Dearborn
253                            Cleveland-Elyria
254                     Detroit-Warren-Dearborn
255                               Oklahoma City
256                    Chicago-Naperville-Elgin
257                 New York-Newark-Jersey City
258                    Chicago-Naperville-Elgin
259              Philadelphia-Camden-Wilmington
260              Los Angeles-Long Beach-Anaheim
261                                 Kansas City
262                 Dallas-Fort Worth-Arlington
263                     Boston-Cambridge-Newton
264              Los Angeles-Long Beach-Anaheim
265             Washington-Arlington-Alexandria
266                 New York-Newark-Jersey City
267                                   St. Louis
268                                      Fresno
269                 Dallas-Fort Worth-Arlington
270              Philadelphia-Camden-Wilmington
271                 New York-Newark-Jersey City
272            Minneapolis-St. Paul-Bloomington
273                                 Baton Rouge
274              Philadelphia-Camden-Wilmington
275                 New York-Newark-Jersey City
276                       Phoenix-Mesa-Chandler
277                 New York-Newark-Jersey City
278                            Dayton-Kettering
279                                 Baton Rouge
280                 New York-Newark-Jersey City
281                  Charlotte-Concord-Gastonia
282              San Francisco-Oakland-Berkeley
283                 Charleston-North Charleston
284                            Dayton-Kettering
285              Los Angeles-Long Beach-Anaheim
286                           New Haven-Milford
287                 Sacramento–Roseville–Folsom
288                Las Vegas-Henderson-Paradise
289                     Detroit-Warren-Dearborn
290                 New York-Newark-Jersey City
291                Indianapolis-Carmel-Anderson
292                 Dallas-Fort Worth-Arlington
293              Philadelphia-Camden-Wilmington
294                 New York-Newark-Jersey City
295                                 Kansas City
296       Miami-Fort Lauderdale-West Palm Beach
297              Los Angeles-Long Beach-Anaheim
298    Nashville-Davidson–Murfreesboro–Franklin
299                 New York-Newark-Jersey City
300                 New York-Newark-Jersey City
301                    Chicago-Naperville-Elgin
302                                   Rochester
303                     Detroit-Warren-Dearborn
304                           Birmingham-Hoover
305              Los Angeles-Long Beach-Anaheim
306             Washington-Arlington-Alexandria
307                     Boston-Cambridge-Newton
308         Virginia Beach-Norfolk-Newport News
309              San Diego-Chula Vista-Carlsbad
310                Portland-Vancouver-Hillsboro
311                                     Memphis
312                                      Fresno
313              San Francisco-Oakland-Berkeley
314              Los Angeles-Long Beach-Anaheim
315                                Raleigh-Cary
316                                       Tulsa
317                       Phoenix-Mesa-Chandler
318               Atlanta-Sandy Springs-Roswell
319                            Colorado Springs
320              Los Angeles-Long Beach-Anaheim
321               North Port-Sarasota-Bradenton
322                                      Fresno
323                   Baltimore-Columbia-Towson
324            Minneapolis-St. Paul-Bloomington
325                 Dallas-Fort Worth-Arlington
326                       Greensboro-High Point
327                 New York-Newark-Jersey City
328            Minneapolis-St. Paul-Bloomington
329                 Charleston-North Charleston
330                Las Vegas-Henderson-Paradise
331                 Dallas-Fort Worth-Arlington
332               Atlanta-Sandy Springs-Roswell
333              Los Angeles-Long Beach-Anaheim
334                     Seattle-Tacoma-Bellevue
335                 Dallas-Fort Worth-Arlington
336                Portland-Vancouver-Hillsboro
337            Riverside-San Bernardino-Ontario
338            Minneapolis-St. Paul-Bloomington
339                  Charlotte-Concord-Gastonia
340                 Dallas-Fort Worth-Arlington
341                    Chicago-Naperville-Elgin
342                Indianapolis-Carmel-Anderson
343       Miami-Fort Lauderdale-West Palm Beach
344                 New York-Newark-Jersey City
345              Los Angeles-Long Beach-Anaheim
346                                      Tucson
347                 Charleston-North Charleston
348                     Detroit-Warren-Dearborn
349                     Boston-Cambridge-Newton
350               Atlanta-Sandy Springs-Roswell
351                   San Antonio-New Braunfels
352                     Seattle-Tacoma-Bellevue
353               North Port-Sarasota-Bradenton
354                 New York-Newark-Jersey City
355              Los Angeles-Long Beach-Anaheim
356                          Milwaukee-Waukesha
357                                 Baton Rouge
358                 New York-Newark-Jersey City
359                            Colorado Springs
360                  Charlotte-Concord-Gastonia
361                           Birmingham-Hoover
362                      Denver-Aurora-Lakewood
363                     Seattle-Tacoma-Bellevue
364              San Diego-Chula Vista-Carlsbad
365                       Grand Rapids-Kentwood
366                                  Cincinnati
367                   Baltimore-Columbia-Towson
368                                  Pittsburgh
369                          Milwaukee-Waukesha
370              San Diego-Chula Vista-Carlsbad
371                Portland-Vancouver-Hillsboro
372                 New York-Newark-Jersey City
373            Minneapolis-St. Paul-Bloomington
374                 Louisville/Jefferson County
375              Philadelphia-Camden-Wilmington
376                                    Columbia
377                                   Rochester
378                      Denver-Aurora-Lakewood
379                       Grand Rapids-Kentwood
380              San Jose-Sunnyvale-Santa Clara
381                Austin-Round Rock-Georgetown
382              San Diego-Chula Vista-Carlsbad
383             Tampa-St. Petersburg-Clearwater
384              Philadelphia-Camden-Wilmington
385                 New York-Newark-Jersey City
386                     Seattle-Tacoma-Bellevue
387                 Bridgeport-Stamford-Norwalk
388                 New York-Newark-Jersey City
389       Miami-Fort Lauderdale-West Palm Beach
390                    Chicago-Naperville-Elgin
391                 New York-Newark-Jersey City
392                     Seattle-Tacoma-Bellevue
393                                   Knoxville
394                                    Stockton
395                 New York-Newark-Jersey City
396                              Salt Lake City
397                               Oklahoma City
398                      Denver-Aurora-Lakewood
399                   San Antonio-New Braunfels
400            Riverside-San Bernardino-Ontario
401                                    Richmond
402                 New York-Newark-Jersey City
403             Washington-Arlington-Alexandria
404                 New York-Newark-Jersey City
405                Indianapolis-Carmel-Anderson
406              San Diego-Chula Vista-Carlsbad
407                 New York-Newark-Jersey City
408                   Baltimore-Columbia-Towson
409                  Charlotte-Concord-Gastonia
410              Los Angeles-Long Beach-Anaheim
411                                   Rochester
412                     Detroit-Warren-Dearborn
413                                 Bakersfield
414                              Urban Honolulu
415                     Boston-Cambridge-Newton
416            Minneapolis-St. Paul-Bloomington
417            Minneapolis-St. Paul-Bloomington
418                 New York-Newark-Jersey City
419                       Phoenix-Mesa-Chandler
420              San Francisco-Oakland-Berkeley
421                       Phoenix-Mesa-Chandler
422              Los Angeles-Long Beach-Anaheim
423              Philadelphia-Camden-Wilmington
424         Virginia Beach-Norfolk-Newport News
425                Las Vegas-Henderson-Paradise
426              San Francisco-Oakland-Berkeley
427             Washington-Arlington-Alexandria
428                       Phoenix-Mesa-Chandler
429                 New York-Newark-Jersey City
430                 New York-Newark-Jersey City
431                 Sacramento–Roseville–Folsom
432                              Salt Lake City
433              Philadelphia-Camden-Wilmington
434                 New York-Newark-Jersey City
435             Washington-Arlington-Alexandria
436              Philadelphia-Camden-Wilmington
437                 Dallas-Fort Worth-Arlington
438                   Orlando-Kissimmee-Sanford
439            Riverside-San Bernardino-Ontario
440    Nashville-Davidson–Murfreesboro–Franklin
441               Atlanta-Sandy Springs-Roswell
442                 New York-Newark-Jersey City
443               Atlanta-Sandy Springs-Roswell
444                           New Haven-Milford
445                 Dallas-Fort Worth-Arlington
446                Austin-Round Rock-Georgetown
447                   Orlando-Kissimmee-Sanford
448                              Urban Honolulu
449                     Seattle-Tacoma-Bellevue
450                                 Bakersfield
451                  Charlotte-Concord-Gastonia
452                                      Tucson
453              Los Angeles-Long Beach-Anaheim
454                   San Antonio-New Braunfels
455                      Denver-Aurora-Lakewood
456            Minneapolis-St. Paul-Bloomington
457                 New York-Newark-Jersey City
458                     Detroit-Warren-Dearborn
459              San Francisco-Oakland-Berkeley
460                                      Fresno
461                                  Pittsburgh
462                Las Vegas-Henderson-Paradise
463               Atlanta-Sandy Springs-Roswell
464                          Providence-Warwick
465                                  Pittsburgh
466              Los Angeles-Long Beach-Anaheim
467               Atlanta-Sandy Springs-Roswell
468                      Denver-Aurora-Lakewood
469                 New York-Newark-Jersey City
470             Washington-Arlington-Alexandria
471                                    Richmond
472              San Francisco-Oakland-Berkeley
473                 Louisville/Jefferson County
474                                 Bakersfield
475                 Dallas-Fort Worth-Arlington
476              Los Angeles-Long Beach-Anaheim
477            Riverside-San Bernardino-Ontario
478                Portland-Vancouver-Hillsboro
479            Riverside-San Bernardino-Ontario
480                                   St. Louis
481                              Urban Honolulu
482                 New York-Newark-Jersey City
483                    Chicago-Naperville-Elgin
484                 Dallas-Fort Worth-Arlington
485    Nashville-Davidson–Murfreesboro–Franklin
486                   Orlando-Kissimmee-Sanford
487                       Cape Coral-Fort Myers
488                                 Baton Rouge
489                     Detroit-Warren-Dearborn
490                 Sacramento–Roseville–Folsom
491                       Grand Rapids-Kentwood
492                Portland-Vancouver-Hillsboro
493                     Boston-Cambridge-Newton
494                 New York-Newark-Jersey City
495                 New York-Newark-Jersey City
496                        New Orleans-Metairie
497              Los Angeles-Long Beach-Anaheim
498                 New York-Newark-Jersey City
499                   Orlando-Kissimmee-Sanford
Name: city_name, dtype: object

0               GA
1               WA
2               NV
3               OK
4               WA
5               TX
6               CA
7               MI
8               FL
9               CA
10              TX
11              OH
12        IL-IN-WI
13              TN
14        NY-NJ-PA
15              PA
16              CA
17     DC-VA-MD-WV
18              IN
19              FL
20              TX
21              CA
22        NY-NJ-PA
23           NE-IA
24        NY-NJ-PA
25              GA
26              TX
27        NY-NJ-PA
28     PA-NJ-DE-MD
29              FL
30        IL-IN-WI
31        NY-NJ-PA
32              AL
33              OK
34        NY-NJ-PA
35           NC-SC
36              CO
37              WA
38              TN
39              OH
40     PA-NJ-DE-MD
41              NV
42     PA-NJ-DE-MD
43        NY-NJ-PA
44              NM
45        NY-NJ-PA
46           MA-NH
47              IN
48              FL
49        NY-NJ-PA
50              FL
51              CA
52              TX
53        NY-NJ-PA
54              AZ
55           OR-WA
56        OH-KY-IN
57              GA
58              CA
59        IL-IN-WI
60              GA
61              SC
62              TX
63        NY-NJ-PA
64        NY-NJ-PA
65              CA
66           MA-NH
67              MI
68        NY-NJ-PA
69              TX
70        IL-IN-WI
71        NY-NJ-PA
72              TX
73        IL-IN-WI
74              TN
75     PA-NJ-DE-MD
76              NY
77           NC-SC
78              WA
79        NY-NJ-PA
80        NY-NJ-PA
81              TX
82        TN-MS-AR
83              CA
84              FL
85              GA
86        NY-NJ-PA
87     DC-VA-MD-WV
88              AZ
89     PA-NJ-DE-MD
90              IN
91              CA
92              TX
93              TN
94              CA
95           KY-IN
96        NY-NJ-PA
97     DC-VA-MD-WV
98              NY
99        NY-NJ-PA
100       NY-NJ-PA
101    DC-VA-MD-WV
102             CA
103             WA
104       IL-IN-WI
105          RI-MA
106       NY-NJ-PA
107       NY-NJ-PA
108             UT
109       NY-NJ-PA
110    DC-VA-MD-WV
111             HI
112             MI
113       NY-NJ-PA
114       NY-NJ-PA
115             TX
116       OH-KY-IN
117             TX
118             OH
119          KY-IN
120       NY-NJ-PA
121             FL
122             FL
123    PA-NJ-DE-MD
124             CT
125             FL
126       IL-IN-WI
127       NY-NJ-PA
128             TN
129             LA
130    PA-NJ-DE-MD
131             CA
132             CA
133       OH-KY-IN
134       IL-IN-WI
135             FL
136             TN
137       IL-IN-WI
138             CA
139             LA
140       NY-NJ-PA
141       NY-NJ-PA
142             LA
143       OH-KY-IN
144       NY-NJ-PA
145             CA
146       NY-NJ-PA
147             HI
148             SC
149             CA
150             TX
151       NY-NJ-PA
152             FL
153             CT
154             TN
155             FL
156             NM
157             CA
158          VA-NC
159             FL
160          OR-WA
161       NY-NJ-PA
162             CA
163             CA
164       IL-IN-WI
165    PA-NJ-DE-MD
166             MD
167             CO
168             WI
169       NY-NJ-PA
170             PA
171          MA-NH
172          MA-NH
173             CA
174             OH
175       NY-NJ-PA
176       NY-NJ-PA
177             WA
178       OH-KY-IN
179             TX
180       NY-NJ-PA
181       NY-NJ-PA
182          NC-SC
183       IL-IN-WI
184             CA
185          KY-IN
186             NV
187             TX
188             VA
189             OH
190          VA-NC
191          MO-IL
192             NY
193             TX
194             CA
195          OR-WA
196             CA
197       NY-NJ-PA
198       NY-NJ-PA
199             TX
200          MA-NH
201             CT
202          MN-WI
203          MA-NH
204       IL-IN-WI
205       NY-NJ-PA
206          RI-MA
207          NE-IA
208             CA
209             CA
210             OK
211       NY-NJ-PA
212             TX
213             CA
214             CA
215       NY-NJ-PA
216             CA
217             OH
218             CA
219             MI
220       OH-KY-IN
221          MA-NH
222             CA
223             AZ
224             GA
225             SC
226             CA
227             TX
228             MI
229             TX
230       NY-NJ-PA
231             CA
232       IL-IN-WI
233             GA
234             WA
235          MN-WI
236          MN-WI
237       NY-NJ-PA
238             TX
239             CA
240             LA
241             VA
242             TX
243             AZ
244             AL
245       NY-NJ-PA
246             FL
247             CA
248             TN
249       OH-KY-IN
250             TX
251       NY-NJ-PA
252             MI
253             OH
254             MI
255             OK
256       IL-IN-WI
257       NY-NJ-PA
258       IL-IN-WI
259    PA-NJ-DE-MD
260             CA
261          MO-KS
262             TX
263          MA-NH
264             CA
265    DC-VA-MD-WV
266       NY-NJ-PA
267          MO-IL
268             CA
269             TX
270    PA-NJ-DE-MD
271       NY-NJ-PA
272          MN-WI
273             LA
274    PA-NJ-DE-MD
275       NY-NJ-PA
276             AZ
277       NY-NJ-PA
278             OH
279             LA
280       NY-NJ-PA
281          NC-SC
282             CA
283             SC
284             OH
285             CA
286             CT
287             CA
288             NV
289             MI
290       NY-NJ-PA
291             IN
292             TX
293    PA-NJ-DE-MD
294       NY-NJ-PA
295          MO-KS
296             FL
297             CA
298             TN
299       NY-NJ-PA
300       NY-NJ-PA
301       IL-IN-WI
302             NY
303             MI
304             AL
305             CA
306    DC-VA-MD-WV
307          MA-NH
308          VA-NC
309             CA
310          OR-WA
311       TN-MS-AR
312             CA
313             CA
314             CA
315             NC
316             OK
317             AZ
318             GA
319             CO
320             CA
321             FL
322             CA
323             MD
324          MN-WI
325             TX
326             NC
327       NY-NJ-PA
328          MN-WI
329             SC
330             NV
331             TX
332             GA
333             CA
334             WA
335             TX
336          OR-WA
337             CA
338          MN-WI
339          NC-SC
340             TX
341       IL-IN-WI
342             IN
343             FL
344       NY-NJ-PA
345             CA
346             AZ
347             SC
348             MI
349          MA-NH
350             GA
351             TX
352             WA
353             FL
354       NY-NJ-PA
355             CA
356             WI
357             LA
358       NY-NJ-PA
359             CO
360          NC-SC
361             AL
362             CO
363             WA
364             CA
365             MI
366       OH-KY-IN
367             MD
368             PA
369             WI
370             CA
371          OR-WA
372       NY-NJ-PA
373          MN-WI
374          KY-IN
375    PA-NJ-DE-MD
376             SC
377             NY
378             CO
379             MI
380             CA
381             TX
382             CA
383             FL
384    PA-NJ-DE-MD
385       NY-NJ-PA
386             WA
387             CT
388       NY-NJ-PA
389             FL
390       IL-IN-WI
391       NY-NJ-PA
392             WA
393             TN
394             CA
395       NY-NJ-PA
396             UT
397             OK
398             CO
399             TX
400             CA
401             VA
402       NY-NJ-PA
403    DC-VA-MD-WV
404       NY-NJ-PA
405             IN
406             CA
407       NY-NJ-PA
408             MD
409          NC-SC
410             CA
411             NY
412             MI
413             CA
414             HI
415          MA-NH
416          MN-WI
417          MN-WI
418       NY-NJ-PA
419             AZ
420             CA
421             AZ
422             CA
423    PA-NJ-DE-MD
424          VA-NC
425             NV
426             CA
427    DC-VA-MD-WV
428             AZ
429       NY-NJ-PA
430       NY-NJ-PA
431             CA
432             UT
433    PA-NJ-DE-MD
434       NY-NJ-PA
435    DC-VA-MD-WV
436    PA-NJ-DE-MD
437             TX
438             FL
439             CA
440             TN
441             GA
442       NY-NJ-PA
443             GA
444             CT
445             TX
446             TX
447             FL
448             HI
449             WA
450             CA
451          NC-SC
452             AZ
453             CA
454             TX
455             CO
456          MN-WI
457       NY-NJ-PA
458             MI
459             CA
460             CA
461             PA
462             NV
463             GA
464          RI-MA
465             PA
466             CA
467             GA
468             CO
469       NY-NJ-PA
470    DC-VA-MD-WV
471             VA
472             CA
473          KY-IN
474             CA
475             TX
476             CA
477             CA
478          OR-WA
479             CA
480          MO-IL
481             HI
482       NY-NJ-PA
483       IL-IN-WI
484             TX
485             TN
486             FL
487             FL
488             LA
489             MI
490             CA
491             MI
492          OR-WA
493          MA-NH
494       NY-NJ-PA
495       NY-NJ-PA
496             LA
497             CA
498       NY-NJ-PA
499             FL
Name: state, dtype: object

0      MSA
1      MSA
2      MSA
3      MSA
4      MSA
5      MSA
6      MSA
7      MSA
8      MSA
9      MSA
10     MSA
11     MSA
12     MSA
13     MSA
14     MSA
15     MSA
16     MSA
17     MSA
18     MSA
19     MSA
20     MSA
21     MSA
22     MSA
23     MSA
24     MSA
25     MSA
26     MSA
27     MSA
28     MSA
29     MSA
30     MSA
31     MSA
32     MSA
33     MSA
34     MSA
35     MSA
36     MSA
37     MSA
38     MSA
39     MSA
40     MSA
41     MSA
42     MSA
43     MSA
44     MSA
45     MSA
46     MSA
47     MSA
48     MSA
49     MSA
50     MSA
51     MSA
52     MSA
53     MSA
54     MSA
55     MSA
56     MSA
57     MSA
58     MSA
59     MSA
60     MSA
61     MSA
62     MSA
63     MSA
64     MSA
65     MSA
66     MSA
67     MSA
68     MSA
69     MSA
70     MSA
71     MSA
72     MSA
73     MSA
74     MSA
75     MSA
76     MSA
77     MSA
78     MSA
79     MSA
80     MSA
81     MSA
82     MSA
83     MSA
84     MSA
85     MSA
86     MSA
87     MSA
88     MSA
89     MSA
90     MSA
91     MSA
92     MSA
93     MSA
94     MSA
95     MSA
96     MSA
97     MSA
98     MSA
99     MSA
100    MSA
101    MSA
102    MSA
103    MSA
104    MSA
105    MSA
106    MSA
107    MSA
108    MSA
109    MSA
110    MSA
111    MSA
112    MSA
113    MSA
114    MSA
115    MSA
116    MSA
117    MSA
118    MSA
119    MSA
120    MSA
121    MSA
122    MSA
123    MSA
124    MSA
125    MSA
126    MSA
127    MSA
128    MSA
129    MSA
130    MSA
131    MSA
132    MSA
133    MSA
134    MSA
135    MSA
136    MSA
137    MSA
138    MSA
139    MSA
140    MSA
141    MSA
142    MSA
143    MSA
144    MSA
145    MSA
146    MSA
147    MSA
148    MSA
149    MSA
150    MSA
151    MSA
152    MSA
153    MSA
154    MSA
155    MSA
156    MSA
157    MSA
158    MSA
159    MSA
160    MSA
161    MSA
162    MSA
163    MSA
164    MSA
165    MSA
166    MSA
167    MSA
168    MSA
169    MSA
170    MSA
171    MSA
172    MSA
173    MSA
174    MSA
175    MSA
176    MSA
177    MSA
178    MSA
179    MSA
180    MSA
181    MSA
182    MSA
183    MSA
184    MSA
185    MSA
186    MSA
187    MSA
188    MSA
189    MSA
190    MSA
191    MSA
192    MSA
193    MSA
194    MSA
195    MSA
196    MSA
197    MSA
198    MSA
199    MSA
200    MSA
201    MSA
202    MSA
203    MSA
204    MSA
205    MSA
206    MSA
207    MSA
208    MSA
209    MSA
210    MSA
211    MSA
212    MSA
213    MSA
214    MSA
215    MSA
216    MSA
217    MSA
218    MSA
219    MSA
220    MSA
221    MSA
222    MSA
223    MSA
224    MSA
225    MSA
226    MSA
227    MSA
228    MSA
229    MSA
230    MSA
231    MSA
232    MSA
233    MSA
234    MSA
235    MSA
236    MSA
237    MSA
238    MSA
239    MSA
240    MSA
241    MSA
242    MSA
243    MSA
244    MSA
245    MSA
246    MSA
247    MSA
248    MSA
249    MSA
250    MSA
251    MSA
252    MSA
253    MSA
254    MSA
255    MSA
256    MSA
257    MSA
258    MSA
259    MSA
260    MSA
261    MSA
262    MSA
263    MSA
264    MSA
265    MSA
266    MSA
267    MSA
268    MSA
269    MSA
270    MSA
271    MSA
272    MSA
273    MSA
274    MSA
275    MSA
276    MSA
277    MSA
278    MSA
279    MSA
280    MSA
281    MSA
282    MSA
283    MSA
284    MSA
285    MSA
286    MSA
287    MSA
288    MSA
289    MSA
290    MSA
291    MSA
292    MSA
293    MSA
294    MSA
295    MSA
296    MSA
297    MSA
298    MSA
299    MSA
300    MSA
301    MSA
302    MSA
303    MSA
304    MSA
305    MSA
306    MSA
307    MSA
308    MSA
309    MSA
310    MSA
311    MSA
312    MSA
313    MSA
314    MSA
315    MSA
316    MSA
317    MSA
318    MSA
319    MSA
320    MSA
321    MSA
322    MSA
323    MSA
324    MSA
325    MSA
326    MSA
327    MSA
328    MSA
329    MSA
330    MSA
331    MSA
332    MSA
333    MSA
334    MSA
335    MSA
336    MSA
337    MSA
338    MSA
339    MSA
340    MSA
341    MSA
342    MSA
343    MSA
344    MSA
345    MSA
346    MSA
347    MSA
348    MSA
349    MSA
350    MSA
351    MSA
352    MSA
353    MSA
354    MSA
355    MSA
356    MSA
357    MSA
358    MSA
359    MSA
360    MSA
361    MSA
362    MSA
363    MSA
364    MSA
365    MSA
366    MSA
367    MSA
368    MSA
369    MSA
370    MSA
371    MSA
372    MSA
373    MSA
374    MSA
375    MSA
376    MSA
377    MSA
378    MSA
379    MSA
380    MSA
381    MSA
382    MSA
383    MSA
384    MSA
385    MSA
386    MSA
387    MSA
388    MSA
389    MSA
390    MSA
391    MSA
392    MSA
393    MSA
394    MSA
395    MSA
396    MSA
397    MSA
398    MSA
399    MSA
400    MSA
401    MSA
402    MSA
403    MSA
404    MSA
405    MSA
406    MSA
407    MSA
408    MSA
409    MSA
410    MSA
411    MSA
412    MSA
413    MSA
414    MSA
415    MSA
416    MSA
417    MSA
418    MSA
419    MSA
420    MSA
421    MSA
422    MSA
423    MSA
424    MSA
425    MSA
426    MSA
427    MSA
428    MSA
429    MSA
430    MSA
431    MSA
432    MSA
433    MSA
434    MSA
435    MSA
436    MSA
437    MSA
438    MSA
439    MSA
440    MSA
441    MSA
442    MSA
443    MSA
444    MSA
445    MSA
446    MSA
447    MSA
448    MSA
449    MSA
450    MSA
451    MSA
452    MSA
453    MSA
454    MSA
455    MSA
456    MSA
457    MSA
458    MSA
459    MSA
460    MSA
461    MSA
462    MSA
463    MSA
464    MSA
465    MSA
466    MSA
467    MSA
468    MSA
469    MSA
470    MSA
471    MSA
472    MSA
473    MSA
474    MSA
475    MSA
476    MSA
477    MSA
478    MSA
479    MSA
480    MSA
481    MSA
482    MSA
483    MSA
484    MSA
485    MSA
486    MSA
487    MSA
488    MSA
489    MSA
490    MSA
491    MSA
492    MSA
493    MSA
494    MSA
495    MSA
496    MSA
497    MSA
498    MSA
499    MSA
Name: msa, dtype: object

0         Anamaria
1           Mickey
2           Carlee
3         Reynaldo
4          Leonila
5            Livia
6           Jesusa
7          Eusebio
8            Emely
9            Gerry
10          Wilber
11          Halina
12         Jonelle
13         Nicolas
14         Edmundo
15           Beata
16            Jann
17           Boris
18          Dennis
19          Shizue
20           Rutha
21         Ricarda
22              Bo
23            Jack
24            Yuki
25            Jess
26          Meggan
27      Georgeanna
28        Jefferey
29        Franklyn
30           Chase
31            Lane
32          Delila
33         Latoyia
34              Jc
35            Jeff
36           Myron
37           Reena
38         Olympia
39             Flo
40           Paris
41        Drucilla
42      Clementina
43          Carlos
44          Devora
45          Barney
46           Beata
47             Yuk
48         Linwood
49           Loise
50            Jone
51         Rosario
52          Edmond
53           Piper
54           Denis
55         Patrick
56           Denis
57            Theo
58        Reinaldo
59           Avril
60         Denisse
61          Maryam
62        Kristeen
63        Larhonda
64         Gerardo
65         Sherlyn
66           Ariel
67            Robt
68          Marcel
69            Dino
70         Jacelyn
71             Isa
72         Seymour
73           Grady
74        Particia
75          Salena
76           Ronny
77            Chau
78         Earnest
79           Brian
80            Neal
81          Grayce
82         Dominic
83          Lyndia
84           Wiley
85         Ignacio
86           Adena
87          Lenard
88           Paris
89          Malena
90           Brock
91          Taylor
92           Taren
93          Karima
94          Walter
95         Lilliam
96            Song
97         Deandre
98          Collin
99          Shavon
100          Aaron
101           Sage
102      Marquitta
103         Moises
104        Thurman
105        Micheal
106           Eddy
107           Lane
108       Porfirio
109        Dominic
110       Anderson
111         Booker
112           Amal
113        Spencer
114           Esta
115        Yevette
116         Moriah
117           Hank
118          Deane
119       Anderson
120        Abraham
121      Kathaleen
122         Lashay
123        Dierdre
124         Jenell
125        Assunta
126       Jermaine
127      Marchelle
128         Lucius
129          Marin
130       Clarence
131          Shane
132         Edward
133          Larry
134        Shannon
135         Scotty
136         Jasper
137        Allegra
138          Arlie
139         Thomas
140       Randolph
141        Kirstie
142    Charlesetta
143         Lorina
144         Kaycee
145         Venice
146           Loma
147         Duncan
148          Dwana
149         Jamaal
150         Earlie
151          Ralph
152        Merrill
153      Kathaleen
154       Humberto
155         Claude
156         Anette
157        Luciano
158          Robin
159        Dierdre
160         Steven
161       Florance
162           Mark
163          Lanie
164            Kam
165          Nigel
166         Kaycee
167       Rebbecca
168           Shay
169            Hai
170           Olin
171          Devin
172         Weldon
173        Tristan
174         Larisa
175         Shiloh
176       Terrance
177        Seymour
178       Charlsie
179         Darcey
180          Wonda
181            Ron
182           Jeff
183       Jermaine
184        Fredric
185          Loria
186         Josiah
187         Tanner
188       Ethelene
189       Terrence
190           Troy
191           Zack
192          Korey
193       Lacresha
194         Robert
195            Roy
196           Noel
197            Lon
198           Russ
199      Antonetta
200         Delmar
201       Jeanelle
202        Osvaldo
203          Manie
204         Sherly
205         Rafael
206        Angelic
207         Samuel
208        Enrique
209         Garret
210         Shanae
211           Vito
212        Alfredo
213           Carl
214           Emil
215         Adelle
216          Reita
217            Ned
218       Stanford
219          Gavin
220           Jack
221       Mckenzie
222           Cleo
223       Patience
224          Kelly
225      Margarito
226         Denver
227         Vanesa
228           Jude
229       Augustus
230          Andre
231        Gaylord
232         Elidia
233          Janee
234           Matt
235         Felton
236          Odell
237       Leighann
238      Jackeline
239        Quentin
240          Drema
241           Lala
242       Lashunda
243         Isaias
244       Demarcus
245          Quinn
246         Stevie
247         Marion
248         Leigha
249          Kelly
250          Milan
251         Tifany
252         Mitsue
253         Sumiko
254          Billy
255        Kennith
256         Johnny
257        Gabriel
258            Kai
259         Etsuko
260           Alia
261          Dusti
262      Michelina
263          Lucio
264         Jessie
265           Alec
266          Dorie
267            Gia
268         Britni
269         Irving
270       Anjelica
271         Darrin
272         Ernest
273        Hermila
274         Dudley
275          Elvie
276         Karmen
277         Andrew
278         Masako
279           Neal
280         Jasper
281           Zack
282         Annice
283           Alan
284           Yuri
285         Joesph
286          Casie
287          Heide
288        Jenette
289          Steve
290       Thaddeus
291        Angeles
292         Cassey
293          Lanny
294      Demetrius
295           Hung
296         Weston
297          Nicky
298          Loyce
299         Keitha
300           Rene
301          Tomas
302        Leonila
303      Rosamaria
304       Dominque
305          Gwenn
306         Darron
307     Kristopher
308         Samara
309        Winfred
310        Vincent
311        Cherlyn
312           Kory
313        Antoine
314          Brice
315           Mora
316        Lucilla
317       Ruthanne
318           Huey
319         Eliseo
320           Bert
321         Karlyn
322          Tyler
323        Pamelia
324         Romana
325         Cleora
326      Johnathon
327        Natosha
328        Tamesha
329          Doyle
330           Tobi
331      Lashandra
332          Lucas
333           Macy
334        Donovan
335           Gail
336          Vance
337         Lucius
338         Janise
339       Mariette
340          Vanna
341          Kaila
342         Eugene
343        Teresia
344           Hugo
345       Pasquale
346          Emmie
347           Trey
348           Carl
349     Florentina
350             Al
351           Kyle
352          Gavin
353        Emerson
354         Leonel
355          Digna
356            Hae
357            Ria
358         Vaughn
359        Sherley
360         Arturo
361        Jacelyn
362       Kenyetta
363         Sandee
364        Clarine
365        Milford
366            Rod
367           Minh
368          Enola
369        Bernard
370         Nenita
371       Roderick
372         Patria
373        Lindsey
374          Ching
375           Andy
376           Mika
377         Vallie
378       Mckinley
379        Jarrett
380        Lajuana
381         German
382           Luci
383      Margarito
384      Dominique
385         Nohemi
386           Jeni
387       Raymonde
388            Thu
389        Earleen
390        Deloras
391          Errol
392           Gale
393       Wilfredo
394      Alejandro
395        Leonard
396        Ardelia
397         Willow
398         German
399        Leonila
400         Kenton
401       Charmain
402          Jesus
403            Jae
404        Paulita
405         Shella
406          Noble
407        Tristan
408         Alaine
409          Elvis
410        Wendell
411            Man
412         Cortez
413          Andre
414     Georgianne
415        Rosette
416           Deja
417          Jorge
418            Hal
419          Bryon
420         Season
421           Zane
422     Georgianne
423         Malcom
424       Kasandra
425       Latrisha
426         Lamont
427          Zofia
428       Asuncion
429        Arianna
430          Myung
431       Napoleon
432        Azucena
433         Lyndon
434            Kai
435        Darnell
436        Jennine
437          Louis
438         Harvey
439          Moses
440         France
441         Piedad
442        Terrell
443         Genaro
444         Glinda
445         Elodia
446       Pasquale
447          Ramon
448         Elayne
449           Boyd
450          Errol
451         Lenard
452         Miguel
453           Robt
454       Kymberly
455           Jude
456        Seymour
457         Janean
458         Joella
459         Santos
460        Winford
461         Rupert
462         Lesley
463        Dinorah
464           Burt
465        Arianna
466       Alphonse
467       Nickolas
468         Johana
469           Rory
470         Gerald
471         Britni
472         Maximo
473           Kirk
474         Randee
475          Arlen
476        Tammara
477         Magaly
478          Elane
479         Keesha
480         Jasper
481           Roni
482         Armand
483         Miguel
484         Delpha
485         Damion
486           Sang
487          Elton
488        Shirley
489          Londa
490          Shane
491         Terina
492          Elvie
493         Cicely
494        Preston
495          Fidel
496          Ariel
497          Donte
498           Scot
499          Shena
Name: first_name, dtype: object

0           Bauer
1       Wilkerson
2         Hoffman
3         Jenkins
4        Thompson
5         Shields
6        Bradford
7           Welch
8         Hoffman
9          Little
10          Blair
11          Henry
12        Mcbride
13         Snider
14          Simon
15      Carpenter
16        Salinas
17          Gates
18         Grimes
19         Landry
20           Bell
21         Booker
22           Snow
23        Delaney
24          Tyson
25      Wilkinson
26       Hamilton
27       Cardenas
28      Rasmussen
29         Henson
30           Kane
31         Martin
32         Dalton
33          Moran
34         Gentry
35       Cummings
36          Hodge
37      Velazquez
38      Velazquez
39          Hicks
40         Santos
41           Lynn
42     Mclaughlin
43         Hinton
44       Galloway
45         Ortega
46         Hooper
47         French
48        Terrell
49          Avery
50           Owen
51          Gibbs
52        Hopkins
53       Espinoza
54          Frost
55         Mclean
56       Chandler
57        Sargent
58          Colon
59     Richardson
60         Santos
61       Valencia
62           Head
63        Hartman
64         Ashley
65           Noel
66          Woods
67          Allen
68        Jimenez
69            Fry
70      Contreras
71            Roy
72         Spence
73       Crawford
74         Fuller
75          Bates
76       Browning
77        Webster
78           Gray
79         Mccall
80          Mcgee
81          Sears
82           Witt
83        Acevedo
84       Mckinney
85        Bennett
86         Macias
87       Atkinson
88      Robertson
89         Kelley
90        Skinner
91         Oliver
92     Strickland
93        Hampton
94       Petersen
95       Alvarado
96          Cline
97         Powell
98           Sims
99          Banks
100          Rowe
101        Conley
102        Walton
103         Weeks
104      Stephens
105         Poole
106      Garrison
107          Cash
108          Kane
109       Salinas
110        Cotton
111          Hahn
112       Pacheco
113        Powers
114         Estes
115          Yang
116         Yates
117        Taylor
118       Ramirez
119        Palmer
120     Mcconnell
121        Albert
122         Reese
123          Nash
124       Navarro
125        Carver
126       Mcguire
127         Brock
128     Fernandez
129        Bolton
130    Cunningham
131      Morrison
132       Roberts
133          Barr
134       Nichols
135         White
136      Caldwell
137       Hopkins
138       Higgins
139        Lawson
140        Graves
141        Hodges
142       Dillard
143       Stevens
144      Peterson
145        Brooks
146        Mcneil
147        Malone
148         Moore
149       Camacho
150         Giles
151        Monroe
152         Hogan
153      Crawford
154        Pruitt
155          Hahn
156      Chambers
157      Sheppard
158      Thornton
159         Baker
160        Morgan
161       Estrada
162        Farley
163    Washington
164        Macias
165         Huber
166        Bryant
167     Nicholson
168        Weaver
169          Bean
170        Adkins
171     Wilkinson
172      Robinson
173          Cain
174         Ellis
175      Stafford
176       Shaffer
177      Anderson
178          Reid
179         Baird
180          Hays
181       Kaufman
182          Burt
183      Gallegos
184     Middleton
185       Freeman
186       Douglas
187       Goodman
188         Brock
189         Smith
190    Hutchinson
191        Waters
192       Goodwin
193         Olsen
194        Mclean
195         Velez
196        Dawson
197        Parker
198         Horne
199        Finley
200         Cross
201       Estrada
202         Mayer
203        Grimes
204          Levy
205          Wade
206     Singleton
207        Porter
208       Ramirez
209          Paul
210      Carrillo
211       Cameron
212        Pruitt
213        Newman
214        Robles
215         Knapp
216        Atkins
217        Thomas
218          Pena
219        Keller
220        Strong
221     Wilkinson
222      Anderson
223        Wilson
224          Cole
225        Barker
226       Harrell
227        Willis
228          Hale
229        Barker
230         Estes
231          Witt
232       Russell
233       Perkins
234        Taylor
235        Nguyen
236        Juarez
237       Wheeler
238          Byrd
239       Hancock
240         Lopez
241         Walls
242         Johns
243       Compton
244         Ellis
245         David
246         Moran
247     Singleton
248        Dawson
249       Goodman
250       Sellers
251         Mcgee
252          York
253        Dudley
254          Webb
255       Rowland
256          Wise
257     O'donnell
258       Russell
259         Perry
260       Aguilar
261        Forbes
262      Hamilton
263         Duffy
264          Hill
265         Henry
266      Chandler
267        Parker
268        Bowers
269      Thompson
270          Chan
271          Rose
272       Mercado
273          Ryan
274        Massey
275     Velazquez
276        Carney
277      Faulkner
278    Montgomery
279          Duke
280         Berry
281         Hardy
282       Calhoun
283       Burgess
284          Odom
285         Barry
286     Castaneda
287          Gill
288          Rush
289         Blair
290       Compton
291         Mejia
292        French
293         Nolan
294         Russo
295       Flowers
296        Conley
297        Tucker
298        Cooley
299      Harrison
300         Frost
301        Horton
302        Morris
303        Reeves
304          Cole
305         Gross
306         Craig
307          Lang
308        Monroe
309     Zimmerman
310           Fry
311      Saunders
312       Emerson
313         Baker
314        Morgan
315     Schroeder
316         Weeks
317         Heath
318         Walsh
319        Carson
320         Wells
321       Jimenez
322       Sweeney
323        Atkins
324         Moore
325         Lyons
326        Branch
327          Peck
328         Huber
329         Nunez
330        Kinney
331         Ramos
332      Saunders
333         David
334        Horton
335       Coleman
336      Bradshaw
337        Arnold
338        Bowman
339        Mclean
340       Stanton
341       Andrews
342        Patton
343         Ewing
344     Daugherty
345      Caldwell
346      Gonzalez
347         Lynch
348      Rutledge
349          Diaz
350     Rasmussen
351        Grimes
352      Galloway
353     Whitfield
354          Dyer
355         Tyson
356          Ryan
357         Beach
358     Maldonado
359        Norris
360       Mullins
361       Hoffman
362      Mcknight
363          Lott
364        Bonner
365          Rush
366          Huff
367       Fischer
368           Ray
369         Mckee
370       Vasquez
371        Slater
372           Kim
373     Dickerson
374         Watts
375        Holden
376      Williams
377        Conway
378       Clayton
379       Spencer
380        Kelley
381        Burris
382          Kidd
383         Mccoy
384          Good
385      Erickson
386       Gilbert
387          Lowe
388          Noel
389         Glass
390    Strickland
391         Cooke
392      Mcfadden
393          Rosa
394        Carver
395        Wooten
396        Benton
397        Steele
398      Thompson
399         Baird
400       Hickman
401        Bryant
402         Berry
403       Gardner
404        Conley
405        Hunter
406     Jefferson
407     Daugherty
408     Robertson
409        Vargas
410         Lloyd
411       Fleming
412         Reese
413       Hensley
414       Herring
415        Mendez
416          Moss
417        Madden
418        Barnes
419        Gordon
420         Hardy
421         Hobbs
422          Huff
423          Neal
424         Keith
425        Larsen
426        Conner
427         Brock
428        Conrad
429          Rowe
430          Pugh
431          Burt
432       Goodwin
433      Morrison
434          Barr
435        Powell
436        Kinney
437          Neal
438        Brooks
439       Cabrera
440       Barrett
441         Myers
442      Caldwell
443         Quinn
444     Dickerson
445       Donovan
446          Ball
447        Hester
448         Foley
449        Kelley
450       Marquez
451       Harding
452        Sparks
453         Tyler
454         Cohen
455       Fischer
456         Olsen
457         Lynch
458         Munoz
459          Head
460     Underwood
461       Santana
462       Workman
463       Simmons
464         Burke
465      Morrison
466        Harmon
467        Deleon
468           Kim
469         Nixon
470         Reese
471      Mitchell
472       Mendoza
473         Velez
474     Carpenter
475        Sutton
476        Dorsey
477         Rivas
478         David
479       Burnett
480      Buchanan
481          Frye
482         Glenn
483       Farrell
484       Baldwin
485       Woodard
486         Solis
487       Simpson
488         Jones
489       Jenkins
490        Cortez
491        Jensen
492         Jones
493          Wynn
494         Downs
495        Sharpe
496      Shepherd
497       Barrera
498    Williamson
499       Dickson
Name: last_name, dtype: object

0                 Atlanta-Sandy Springs-Roswell, GA MSA
1                       Seattle-Tacoma-Bellevue, WA MSA
2                  Las Vegas-Henderson-Paradise, NV MSA
3                                         Tulsa, OK MSA
4                       Seattle-Tacoma-Bellevue, WA MSA
5                   Dallas-Fort Worth-Arlington, TX MSA
6                San Francisco-Oakland-Berkeley, CA MSA
7                         Grand Rapids-Kentwood, MI MSA
8                     Orlando-Kissimmee-Sanford, FL MSA
9                San Jose-Sunnyvale-Santa Clara, CA MSA
10                  Dallas-Fort Worth-Arlington, TX MSA
11                             Cleveland-Elyria, OH MSA
12               Chicago-Naperville-Elgin, IL-IN-WI MSA
13                                    Knoxville, TN MSA
14            New York-Newark-Jersey City, NY-NJ-PA MSA
15                                   Pittsburgh, PA MSA
16                                       Fresno, CA MSA
17     Washington-Arlington-Alexandria, DC-VA-MD-WV MSA
18                 Indianapolis-Carmel-Anderson, IN MSA
19                                 Jacksonville, FL MSA
20                  Dallas-Fort Worth-Arlington, TX MSA
21               Los Angeles-Long Beach-Anaheim, CA MSA
22            New York-Newark-Jersey City, NY-NJ-PA MSA
23                      Omaha-Council Bluffs, NE-IA MSA
24            New York-Newark-Jersey City, NY-NJ-PA MSA
25                Atlanta-Sandy Springs-Roswell, GA MSA
26             Houston-The Woodlands-Sugar Land, TX MSA
27            New York-Newark-Jersey City, NY-NJ-PA MSA
28      Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
29              Tampa-St. Petersburg-Clearwater, FL MSA
30               Chicago-Naperville-Elgin, IL-IN-WI MSA
31            New York-Newark-Jersey City, NY-NJ-PA MSA
32                            Birmingham-Hoover, AL MSA
33                                Oklahoma City, OK MSA
34            New York-Newark-Jersey City, NY-NJ-PA MSA
35                Charlotte-Concord-Gastonia, NC-SC MSA
36                       Denver-Aurora-Lakewood, CO MSA
37                      Seattle-Tacoma-Bellevue, WA MSA
38     Nashville-Davidson–Murfreesboro–Franklin, TN MSA
39                                     Columbus, OH MSA
40      Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
41                 Las Vegas-Henderson-Paradise, NV MSA
42      Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
43            New York-Newark-Jersey City, NY-NJ-PA MSA
44                                  Albuquerque, NM MSA
45            New York-Newark-Jersey City, NY-NJ-PA MSA
46                   Boston-Cambridge-Newton, MA-NH MSA
47                 Indianapolis-Carmel-Anderson, IN MSA
48        Miami-Fort Lauderdale-West Palm Beach, FL MSA
49            New York-Newark-Jersey City, NY-NJ-PA MSA
50        Miami-Fort Lauderdale-West Palm Beach, FL MSA
51               San Diego-Chula Vista-Carlsbad, CA MSA
52             Houston-The Woodlands-Sugar Land, TX MSA
53            New York-Newark-Jersey City, NY-NJ-PA MSA
54                        Phoenix-Mesa-Chandler, AZ MSA
55              Portland-Vancouver-Hillsboro, OR-WA MSA
56                             Cincinnati, OH-KY-IN MSA
57                Atlanta-Sandy Springs-Roswell, GA MSA
58               Los Angeles-Long Beach-Anaheim, CA MSA
59               Chicago-Naperville-Elgin, IL-IN-WI MSA
60                Atlanta-Sandy Springs-Roswell, GA MSA
61                                     Columbia, SC MSA
62                    San Antonio-New Braunfels, TX MSA
63            New York-Newark-Jersey City, NY-NJ-PA MSA
64            New York-Newark-Jersey City, NY-NJ-PA MSA
65               Los Angeles-Long Beach-Anaheim, CA MSA
66                   Boston-Cambridge-Newton, MA-NH MSA
67                        Grand Rapids-Kentwood, MI MSA
68            New York-Newark-Jersey City, NY-NJ-PA MSA
69             Houston-The Woodlands-Sugar Land, TX MSA
70               Chicago-Naperville-Elgin, IL-IN-WI MSA
71            New York-Newark-Jersey City, NY-NJ-PA MSA
72                  Dallas-Fort Worth-Arlington, TX MSA
73               Chicago-Naperville-Elgin, IL-IN-WI MSA
74                                    Knoxville, TN MSA
75      Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
76                          Buffalo-Cheektowaga, NY MSA
77                Charlotte-Concord-Gastonia, NC-SC MSA
78                      Seattle-Tacoma-Bellevue, WA MSA
79            New York-Newark-Jersey City, NY-NJ-PA MSA
80            New York-Newark-Jersey City, NY-NJ-PA MSA
81                  Dallas-Fort Worth-Arlington, TX MSA
82                                Memphis, TN-MS-AR MSA
83               Los Angeles-Long Beach-Anaheim, CA MSA
84        Miami-Fort Lauderdale-West Palm Beach, FL MSA
85                Atlanta-Sandy Springs-Roswell, GA MSA
86            New York-Newark-Jersey City, NY-NJ-PA MSA
87     Washington-Arlington-Alexandria, DC-VA-MD-WV MSA
88                        Phoenix-Mesa-Chandler, AZ MSA
89      Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
90                 Indianapolis-Carmel-Anderson, IN MSA
91             Riverside-San Bernardino-Ontario, CA MSA
92                  Dallas-Fort Worth-Arlington, TX MSA
93     Nashville-Davidson–Murfreesboro–Franklin, TN MSA
94               Los Angeles-Long Beach-Anaheim, CA MSA
95               Louisville/Jefferson County, KY-IN MSA
96            New York-Newark-Jersey City, NY-NJ-PA MSA
97     Washington-Arlington-Alexandria, DC-VA-MD-WV MSA
98                      Albany-Schenectady-Troy, NY MSA
99            New York-Newark-Jersey City, NY-NJ-PA MSA
100           New York-Newark-Jersey City, NY-NJ-PA MSA
101    Washington-Arlington-Alexandria, DC-VA-MD-WV MSA
102            Riverside-San Bernardino-Ontario, CA MSA
103                     Seattle-Tacoma-Bellevue, WA MSA
104              Chicago-Naperville-Elgin, IL-IN-WI MSA
105                       Providence-Warwick, RI-MA MSA
106           New York-Newark-Jersey City, NY-NJ-PA MSA
107           New York-Newark-Jersey City, NY-NJ-PA MSA
108                              Salt Lake City, UT MSA
109           New York-Newark-Jersey City, NY-NJ-PA MSA
110    Washington-Arlington-Alexandria, DC-VA-MD-WV MSA
111                              Urban Honolulu, HI MSA
112                       Grand Rapids-Kentwood, MI MSA
113           New York-Newark-Jersey City, NY-NJ-PA MSA
114           New York-Newark-Jersey City, NY-NJ-PA MSA
115                                     El Paso, TX MSA
116                            Cincinnati, OH-KY-IN MSA
117                 Dallas-Fort Worth-Arlington, TX MSA
118                                    Columbus, OH MSA
119              Louisville/Jefferson County, KY-IN MSA
120           New York-Newark-Jersey City, NY-NJ-PA MSA
121       Miami-Fort Lauderdale-West Palm Beach, FL MSA
122       Miami-Fort Lauderdale-West Palm Beach, FL MSA
123     Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
124                           New Haven-Milford, CT MSA
125               North Port-Sarasota-Bradenton, FL MSA
126              Chicago-Naperville-Elgin, IL-IN-WI MSA
127           New York-Newark-Jersey City, NY-NJ-PA MSA
128                                   Knoxville, TN MSA
129                                 Baton Rouge, LA MSA
130     Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
131              Los Angeles-Long Beach-Anaheim, CA MSA
132              San Francisco-Oakland-Berkeley, CA MSA
133                            Cincinnati, OH-KY-IN MSA
134              Chicago-Naperville-Elgin, IL-IN-WI MSA
135       Miami-Fort Lauderdale-West Palm Beach, FL MSA
136                                   Knoxville, TN MSA
137              Chicago-Naperville-Elgin, IL-IN-WI MSA
138            Riverside-San Bernardino-Ontario, CA MSA
139                        New Orleans-Metairie, LA MSA
140           New York-Newark-Jersey City, NY-NJ-PA MSA
141           New York-Newark-Jersey City, NY-NJ-PA MSA
142                        New Orleans-Metairie, LA MSA
143                            Cincinnati, OH-KY-IN MSA
144           New York-Newark-Jersey City, NY-NJ-PA MSA
145              San Jose-Sunnyvale-Santa Clara, CA MSA
146           New York-Newark-Jersey City, NY-NJ-PA MSA
147                              Urban Honolulu, HI MSA
148                                    Columbia, SC MSA
149              San Francisco-Oakland-Berkeley, CA MSA
150            Houston-The Woodlands-Sugar Land, TX MSA
151           New York-Newark-Jersey City, NY-NJ-PA MSA
152                   Orlando-Kissimmee-Sanford, FL MSA
153                 Bridgeport-Stamford-Norwalk, CT MSA
154    Nashville-Davidson–Murfreesboro–Franklin, TN MSA
155       Miami-Fort Lauderdale-West Palm Beach, FL MSA
156                                 Albuquerque, NM MSA
157              Los Angeles-Long Beach-Anaheim, CA MSA
158      Virginia Beach-Norfolk-Newport News, VA-NC MSA
159       Miami-Fort Lauderdale-West Palm Beach, FL MSA
160             Portland-Vancouver-Hillsboro, OR-WA MSA
161           New York-Newark-Jersey City, NY-NJ-PA MSA
162              Los Angeles-Long Beach-Anaheim, CA MSA
163              Los Angeles-Long Beach-Anaheim, CA MSA
164              Chicago-Naperville-Elgin, IL-IN-WI MSA
165     Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
166                   Baltimore-Columbia-Towson, MD MSA
167                      Denver-Aurora-Lakewood, CO MSA
168                          Milwaukee-Waukesha, WI MSA
169           New York-Newark-Jersey City, NY-NJ-PA MSA
170                                  Pittsburgh, PA MSA
171                  Boston-Cambridge-Newton, MA-NH MSA
172                  Boston-Cambridge-Newton, MA-NH MSA
173                Oxnard-Thousand Oaks-Ventura, CA MSA
174                            Cleveland-Elyria, OH MSA
175           New York-Newark-Jersey City, NY-NJ-PA MSA
176           New York-Newark-Jersey City, NY-NJ-PA MSA
177                     Seattle-Tacoma-Bellevue, WA MSA
178                            Cincinnati, OH-KY-IN MSA
179                 Dallas-Fort Worth-Arlington, TX MSA
180           New York-Newark-Jersey City, NY-NJ-PA MSA
181           New York-Newark-Jersey City, NY-NJ-PA MSA
182               Charlotte-Concord-Gastonia, NC-SC MSA
183              Chicago-Naperville-Elgin, IL-IN-WI MSA
184                 Sacramento–Roseville–Folsom, CA MSA
185              Louisville/Jefferson County, KY-IN MSA
186                Las Vegas-Henderson-Paradise, NV MSA
187                Austin-Round Rock-Georgetown, TX MSA
188                                    Richmond, VA MSA
189                                    Columbus, OH MSA
190      Virginia Beach-Norfolk-Newport News, VA-NC MSA
191                                St. Louis, MO-IL MSA
192                         Buffalo-Cheektowaga, NY MSA
193            Houston-The Woodlands-Sugar Land, TX MSA
194              San Jose-Sunnyvale-Santa Clara, CA MSA
195             Portland-Vancouver-Hillsboro, OR-WA MSA
196              Los Angeles-Long Beach-Anaheim, CA MSA
197           New York-Newark-Jersey City, NY-NJ-PA MSA
198           New York-Newark-Jersey City, NY-NJ-PA MSA
199                   San Antonio-New Braunfels, TX MSA
200                  Boston-Cambridge-Newton, MA-NH MSA
201                 Bridgeport-Stamford-Norwalk, CT MSA
202         Minneapolis-St. Paul-Bloomington, MN-WI MSA
203                  Boston-Cambridge-Newton, MA-NH MSA
204              Chicago-Naperville-Elgin, IL-IN-WI MSA
205           New York-Newark-Jersey City, NY-NJ-PA MSA
206                       Providence-Warwick, RI-MA MSA
207                     Omaha-Council Bluffs, NE-IA MSA
208              San Diego-Chula Vista-Carlsbad, CA MSA
209              Los Angeles-Long Beach-Anaheim, CA MSA
210                               Oklahoma City, OK MSA
211           New York-Newark-Jersey City, NY-NJ-PA MSA
212                Austin-Round Rock-Georgetown, TX MSA
213              San Diego-Chula Vista-Carlsbad, CA MSA
214              San Francisco-Oakland-Berkeley, CA MSA
215           New York-Newark-Jersey City, NY-NJ-PA MSA
216              San Francisco-Oakland-Berkeley, CA MSA
217                            Dayton-Kettering, OH MSA
218                                 Bakersfield, CA MSA
219                     Detroit-Warren-Dearborn, MI MSA
220                            Cincinnati, OH-KY-IN MSA
221                  Boston-Cambridge-Newton, MA-NH MSA
222              Los Angeles-Long Beach-Anaheim, CA MSA
223                       Phoenix-Mesa-Chandler, AZ MSA
224               Atlanta-Sandy Springs-Roswell, GA MSA
225                                    Columbia, SC MSA
226            Riverside-San Bernardino-Ontario, CA MSA
227                 Dallas-Fort Worth-Arlington, TX MSA
228                     Detroit-Warren-Dearborn, MI MSA
229                Austin-Round Rock-Georgetown, TX MSA
230           New York-Newark-Jersey City, NY-NJ-PA MSA
231              San Jose-Sunnyvale-Santa Clara, CA MSA
232              Chicago-Naperville-Elgin, IL-IN-WI MSA
233               Atlanta-Sandy Springs-Roswell, GA MSA
234                     Seattle-Tacoma-Bellevue, WA MSA
235         Minneapolis-St. Paul-Bloomington, MN-WI MSA
236         Minneapolis-St. Paul-Bloomington, MN-WI MSA
237           New York-Newark-Jersey City, NY-NJ-PA MSA
238                 Dallas-Fort Worth-Arlington, TX MSA
239                                      Fresno, CA MSA
240                                 Baton Rouge, LA MSA
241                                    Richmond, VA MSA
242                   San Antonio-New Braunfels, TX MSA
243                       Phoenix-Mesa-Chandler, AZ MSA
244                           Birmingham-Hoover, AL MSA
245           New York-Newark-Jersey City, NY-NJ-PA MSA
246             Tampa-St. Petersburg-Clearwater, FL MSA
247              Los Angeles-Long Beach-Anaheim, CA MSA
248    Nashville-Davidson–Murfreesboro–Franklin, TN MSA
249                            Cincinnati, OH-KY-IN MSA
250            Houston-The Woodlands-Sugar Land, TX MSA
251           New York-Newark-Jersey City, NY-NJ-PA MSA
252                     Detroit-Warren-Dearborn, MI MSA
253                            Cleveland-Elyria, OH MSA
254                     Detroit-Warren-Dearborn, MI MSA
255                               Oklahoma City, OK MSA
256              Chicago-Naperville-Elgin, IL-IN-WI MSA
257           New York-Newark-Jersey City, NY-NJ-PA MSA
258              Chicago-Naperville-Elgin, IL-IN-WI MSA
259     Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
260              Los Angeles-Long Beach-Anaheim, CA MSA
261                              Kansas City, MO-KS MSA
262                 Dallas-Fort Worth-Arlington, TX MSA
263                  Boston-Cambridge-Newton, MA-NH MSA
264              Los Angeles-Long Beach-Anaheim, CA MSA
265    Washington-Arlington-Alexandria, DC-VA-MD-WV MSA
266           New York-Newark-Jersey City, NY-NJ-PA MSA
267                                St. Louis, MO-IL MSA
268                                      Fresno, CA MSA
269                 Dallas-Fort Worth-Arlington, TX MSA
270     Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
271           New York-Newark-Jersey City, NY-NJ-PA MSA
272         Minneapolis-St. Paul-Bloomington, MN-WI MSA
273                                 Baton Rouge, LA MSA
274     Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
275           New York-Newark-Jersey City, NY-NJ-PA MSA
276                       Phoenix-Mesa-Chandler, AZ MSA
277           New York-Newark-Jersey City, NY-NJ-PA MSA
278                            Dayton-Kettering, OH MSA
279                                 Baton Rouge, LA MSA
280           New York-Newark-Jersey City, NY-NJ-PA MSA
281               Charlotte-Concord-Gastonia, NC-SC MSA
282              San Francisco-Oakland-Berkeley, CA MSA
283                 Charleston-North Charleston, SC MSA
284                            Dayton-Kettering, OH MSA
285              Los Angeles-Long Beach-Anaheim, CA MSA
286                           New Haven-Milford, CT MSA
287                 Sacramento–Roseville–Folsom, CA MSA
288                Las Vegas-Henderson-Paradise, NV MSA
289                     Detroit-Warren-Dearborn, MI MSA
290           New York-Newark-Jersey City, NY-NJ-PA MSA
291                Indianapolis-Carmel-Anderson, IN MSA
292                 Dallas-Fort Worth-Arlington, TX MSA
293     Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
294           New York-Newark-Jersey City, NY-NJ-PA MSA
295                              Kansas City, MO-KS MSA
296       Miami-Fort Lauderdale-West Palm Beach, FL MSA
297              Los Angeles-Long Beach-Anaheim, CA MSA
298    Nashville-Davidson–Murfreesboro–Franklin, TN MSA
299           New York-Newark-Jersey City, NY-NJ-PA MSA
300           New York-Newark-Jersey City, NY-NJ-PA MSA
301              Chicago-Naperville-Elgin, IL-IN-WI MSA
302                                   Rochester, NY MSA
303                     Detroit-Warren-Dearborn, MI MSA
304                           Birmingham-Hoover, AL MSA
305              Los Angeles-Long Beach-Anaheim, CA MSA
306    Washington-Arlington-Alexandria, DC-VA-MD-WV MSA
307                  Boston-Cambridge-Newton, MA-NH MSA
308      Virginia Beach-Norfolk-Newport News, VA-NC MSA
309              San Diego-Chula Vista-Carlsbad, CA MSA
310             Portland-Vancouver-Hillsboro, OR-WA MSA
311                               Memphis, TN-MS-AR MSA
312                                      Fresno, CA MSA
313              San Francisco-Oakland-Berkeley, CA MSA
314              Los Angeles-Long Beach-Anaheim, CA MSA
315                                Raleigh-Cary, NC MSA
316                                       Tulsa, OK MSA
317                       Phoenix-Mesa-Chandler, AZ MSA
318               Atlanta-Sandy Springs-Roswell, GA MSA
319                            Colorado Springs, CO MSA
320              Los Angeles-Long Beach-Anaheim, CA MSA
321               North Port-Sarasota-Bradenton, FL MSA
322                                      Fresno, CA MSA
323                   Baltimore-Columbia-Towson, MD MSA
324         Minneapolis-St. Paul-Bloomington, MN-WI MSA
325                 Dallas-Fort Worth-Arlington, TX MSA
326                       Greensboro-High Point, NC MSA
327           New York-Newark-Jersey City, NY-NJ-PA MSA
328         Minneapolis-St. Paul-Bloomington, MN-WI MSA
329                 Charleston-North Charleston, SC MSA
330                Las Vegas-Henderson-Paradise, NV MSA
331                 Dallas-Fort Worth-Arlington, TX MSA
332               Atlanta-Sandy Springs-Roswell, GA MSA
333              Los Angeles-Long Beach-Anaheim, CA MSA
334                     Seattle-Tacoma-Bellevue, WA MSA
335                 Dallas-Fort Worth-Arlington, TX MSA
336             Portland-Vancouver-Hillsboro, OR-WA MSA
337            Riverside-San Bernardino-Ontario, CA MSA
338         Minneapolis-St. Paul-Bloomington, MN-WI MSA
339               Charlotte-Concord-Gastonia, NC-SC MSA
340                 Dallas-Fort Worth-Arlington, TX MSA
341              Chicago-Naperville-Elgin, IL-IN-WI MSA
342                Indianapolis-Carmel-Anderson, IN MSA
343       Miami-Fort Lauderdale-West Palm Beach, FL MSA
344           New York-Newark-Jersey City, NY-NJ-PA MSA
345              Los Angeles-Long Beach-Anaheim, CA MSA
346                                      Tucson, AZ MSA
347                 Charleston-North Charleston, SC MSA
348                     Detroit-Warren-Dearborn, MI MSA
349                  Boston-Cambridge-Newton, MA-NH MSA
350               Atlanta-Sandy Springs-Roswell, GA MSA
351                   San Antonio-New Braunfels, TX MSA
352                     Seattle-Tacoma-Bellevue, WA MSA
353               North Port-Sarasota-Bradenton, FL MSA
354           New York-Newark-Jersey City, NY-NJ-PA MSA
355              Los Angeles-Long Beach-Anaheim, CA MSA
356                          Milwaukee-Waukesha, WI MSA
357                                 Baton Rouge, LA MSA
358           New York-Newark-Jersey City, NY-NJ-PA MSA
359                            Colorado Springs, CO MSA
360               Charlotte-Concord-Gastonia, NC-SC MSA
361                           Birmingham-Hoover, AL MSA
362                      Denver-Aurora-Lakewood, CO MSA
363                     Seattle-Tacoma-Bellevue, WA MSA
364              San Diego-Chula Vista-Carlsbad, CA MSA
365                       Grand Rapids-Kentwood, MI MSA
366                            Cincinnati, OH-KY-IN MSA
367                   Baltimore-Columbia-Towson, MD MSA
368                                  Pittsburgh, PA MSA
369                          Milwaukee-Waukesha, WI MSA
370              San Diego-Chula Vista-Carlsbad, CA MSA
371             Portland-Vancouver-Hillsboro, OR-WA MSA
372           New York-Newark-Jersey City, NY-NJ-PA MSA
373         Minneapolis-St. Paul-Bloomington, MN-WI MSA
374              Louisville/Jefferson County, KY-IN MSA
375     Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
376                                    Columbia, SC MSA
377                                   Rochester, NY MSA
378                      Denver-Aurora-Lakewood, CO MSA
379                       Grand Rapids-Kentwood, MI MSA
380              San Jose-Sunnyvale-Santa Clara, CA MSA
381                Austin-Round Rock-Georgetown, TX MSA
382              San Diego-Chula Vista-Carlsbad, CA MSA
383             Tampa-St. Petersburg-Clearwater, FL MSA
384     Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
385           New York-Newark-Jersey City, NY-NJ-PA MSA
386                     Seattle-Tacoma-Bellevue, WA MSA
387                 Bridgeport-Stamford-Norwalk, CT MSA
388           New York-Newark-Jersey City, NY-NJ-PA MSA
389       Miami-Fort Lauderdale-West Palm Beach, FL MSA
390              Chicago-Naperville-Elgin, IL-IN-WI MSA
391           New York-Newark-Jersey City, NY-NJ-PA MSA
392                     Seattle-Tacoma-Bellevue, WA MSA
393                                   Knoxville, TN MSA
394                                    Stockton, CA MSA
395           New York-Newark-Jersey City, NY-NJ-PA MSA
396                              Salt Lake City, UT MSA
397                               Oklahoma City, OK MSA
398                      Denver-Aurora-Lakewood, CO MSA
399                   San Antonio-New Braunfels, TX MSA
400            Riverside-San Bernardino-Ontario, CA MSA
401                                    Richmond, VA MSA
402           New York-Newark-Jersey City, NY-NJ-PA MSA
403    Washington-Arlington-Alexandria, DC-VA-MD-WV MSA
404           New York-Newark-Jersey City, NY-NJ-PA MSA
405                Indianapolis-Carmel-Anderson, IN MSA
406              San Diego-Chula Vista-Carlsbad, CA MSA
407           New York-Newark-Jersey City, NY-NJ-PA MSA
408                   Baltimore-Columbia-Towson, MD MSA
409               Charlotte-Concord-Gastonia, NC-SC MSA
410              Los Angeles-Long Beach-Anaheim, CA MSA
411                                   Rochester, NY MSA
412                     Detroit-Warren-Dearborn, MI MSA
413                                 Bakersfield, CA MSA
414                              Urban Honolulu, HI MSA
415                  Boston-Cambridge-Newton, MA-NH MSA
416         Minneapolis-St. Paul-Bloomington, MN-WI MSA
417         Minneapolis-St. Paul-Bloomington, MN-WI MSA
418           New York-Newark-Jersey City, NY-NJ-PA MSA
419                       Phoenix-Mesa-Chandler, AZ MSA
420              San Francisco-Oakland-Berkeley, CA MSA
421                       Phoenix-Mesa-Chandler, AZ MSA
422              Los Angeles-Long Beach-Anaheim, CA MSA
423     Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
424      Virginia Beach-Norfolk-Newport News, VA-NC MSA
425                Las Vegas-Henderson-Paradise, NV MSA
426              San Francisco-Oakland-Berkeley, CA MSA
427    Washington-Arlington-Alexandria, DC-VA-MD-WV MSA
428                       Phoenix-Mesa-Chandler, AZ MSA
429           New York-Newark-Jersey City, NY-NJ-PA MSA
430           New York-Newark-Jersey City, NY-NJ-PA MSA
431                 Sacramento–Roseville–Folsom, CA MSA
432                              Salt Lake City, UT MSA
433     Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
434           New York-Newark-Jersey City, NY-NJ-PA MSA
435    Washington-Arlington-Alexandria, DC-VA-MD-WV MSA
436     Philadelphia-Camden-Wilmington, PA-NJ-DE-MD MSA
437                 Dallas-Fort Worth-Arlington, TX MSA
438                   Orlando-Kissimmee-Sanford, FL MSA
439            Riverside-San Bernardino-Ontario, CA MSA
440    Nashville-Davidson–Murfreesboro–Franklin, TN MSA
441               Atlanta-Sandy Springs-Roswell, GA MSA
442           New York-Newark-Jersey City, NY-NJ-PA MSA
443               Atlanta-Sandy Springs-Roswell, GA MSA
444                           New Haven-Milford, CT MSA
445                 Dallas-Fort Worth-Arlington, TX MSA
446                Austin-Round Rock-Georgetown, TX MSA
447                   Orlando-Kissimmee-Sanford, FL MSA
448                              Urban Honolulu, HI MSA
449                     Seattle-Tacoma-Bellevue, WA MSA
450                                 Bakersfield, CA MSA
451               Charlotte-Concord-Gastonia, NC-SC MSA
452                                      Tucson, AZ MSA
453              Los Angeles-Long Beach-Anaheim, CA MSA
454                   San Antonio-New Braunfels, TX MSA
455                      Denver-Aurora-Lakewood, CO MSA
456         Minneapolis-St. Paul-Bloomington, MN-WI MSA
457           New York-Newark-Jersey City, NY-NJ-PA MSA
458                     Detroit-Warren-Dearborn, MI MSA
459              San Francisco-Oakland-Berkeley, CA MSA
460                                      Fresno, CA MSA
461                                  Pittsburgh, PA MSA
462                Las Vegas-Henderson-Paradise, NV MSA
463               Atlanta-Sandy Springs-Roswell, GA MSA
464                       Providence-Warwick, RI-MA MSA
465                                  Pittsburgh, PA MSA
466              Los Angeles-Long Beach-Anaheim, CA MSA
467               Atlanta-Sandy Springs-Roswell, GA MSA
468                      Denver-Aurora-Lakewood, CO MSA
469           New York-Newark-Jersey City, NY-NJ-PA MSA
470    Washington-Arlington-Alexandria, DC-VA-MD-WV MSA
471                                    Richmond, VA MSA
472              San Francisco-Oakland-Berkeley, CA MSA
473              Louisville/Jefferson County, KY-IN MSA
474                                 Bakersfield, CA MSA
475                 Dallas-Fort Worth-Arlington, TX MSA
476              Los Angeles-Long Beach-Anaheim, CA MSA
477            Riverside-San Bernardino-Ontario, CA MSA
478             Portland-Vancouver-Hillsboro, OR-WA MSA
479            Riverside-San Bernardino-Ontario, CA MSA
480                                St. Louis, MO-IL MSA
481                              Urban Honolulu, HI MSA
482           New York-Newark-Jersey City, NY-NJ-PA MSA
483              Chicago-Naperville-Elgin, IL-IN-WI MSA
484                 Dallas-Fort Worth-Arlington, TX MSA
485    Nashville-Davidson–Murfreesboro–Franklin, TN MSA
486                   Orlando-Kissimmee-Sanford, FL MSA
487                       Cape Coral-Fort Myers, FL MSA
488                                 Baton Rouge, LA MSA
489                     Detroit-Warren-Dearborn, MI MSA
490                 Sacramento–Roseville–Folsom, CA MSA
491                       Grand Rapids-Kentwood, MI MSA
492             Portland-Vancouver-Hillsboro, OR-WA MSA
493                  Boston-Cambridge-Newton, MA-NH MSA
494           New York-Newark-Jersey City, NY-NJ-PA MSA
495           New York-Newark-Jersey City, NY-NJ-PA MSA
496                        New Orleans-Metairie, LA MSA
497              Los Angeles-Long Beach-Anaheim, CA MSA
498           New York-Newark-Jersey City, NY-NJ-PA MSA
499                   Orlando-Kissimmee-Sanford, FL MSA
Name: city, dtype: object

0                 Atlanta-Sandy Springs-Roswell
1                       Seattle-Tacoma-Bellevue
2                  Las Vegas-Henderson-Paradise
3                                         Tulsa
4                       Seattle-Tacoma-Bellevue
5                   Dallas-Fort Worth-Arlington
6                San Francisco-Oakland-Berkeley
7                         Grand Rapids-Kentwood
8                     Orlando-Kissimmee-Sanford
9                San Jose-Sunnyvale-Santa Clara
10                  Dallas-Fort Worth-Arlington
11                             Cleveland-Elyria
12                     Chicago-Naperville-Elgin
13                                    Knoxville
14                  New York-Newark-Jersey City
15                                   Pittsburgh
16                                       Fresno
17              Washington-Arlington-Alexandria
18                 Indianapolis-Carmel-Anderson
19                                 Jacksonville
20                  Dallas-Fort Worth-Arlington
21               Los Angeles-Long Beach-Anaheim
22                  New York-Newark-Jersey City
23                         Omaha-Council Bluffs
24                  New York-Newark-Jersey City
25                Atlanta-Sandy Springs-Roswell
26             Houston-The Woodlands-Sugar Land
27                  New York-Newark-Jersey City
28               Philadelphia-Camden-Wilmington
29              Tampa-St. Petersburg-Clearwater
30                     Chicago-Naperville-Elgin
31                  New York-Newark-Jersey City
32                            Birmingham-Hoover
33                                Oklahoma City
34                  New York-Newark-Jersey City
35                   Charlotte-Concord-Gastonia
36                       Denver-Aurora-Lakewood
37                      Seattle-Tacoma-Bellevue
38     Nashville-Davidson–Murfreesboro–Franklin
39                                     Columbus
40               Philadelphia-Camden-Wilmington
41                 Las Vegas-Henderson-Paradise
42               Philadelphia-Camden-Wilmington
43                  New York-Newark-Jersey City
44                                  Albuquerque
45                  New York-Newark-Jersey City
46                      Boston-Cambridge-Newton
47                 Indianapolis-Carmel-Anderson
48        Miami-Fort Lauderdale-West Palm Beach
49                  New York-Newark-Jersey City
50        Miami-Fort Lauderdale-West Palm Beach
51               San Diego-Chula Vista-Carlsbad
52             Houston-The Woodlands-Sugar Land
53                  New York-Newark-Jersey City
54                        Phoenix-Mesa-Chandler
55                 Portland-Vancouver-Hillsboro
56                                   Cincinnati
57                Atlanta-Sandy Springs-Roswell
58               Los Angeles-Long Beach-Anaheim
59                     Chicago-Naperville-Elgin
60                Atlanta-Sandy Springs-Roswell
61                                     Columbia
62                    San Antonio-New Braunfels
63                  New York-Newark-Jersey City
64                  New York-Newark-Jersey City
65               Los Angeles-Long Beach-Anaheim
66                      Boston-Cambridge-Newton
67                        Grand Rapids-Kentwood
68                  New York-Newark-Jersey City
69             Houston-The Woodlands-Sugar Land
70                     Chicago-Naperville-Elgin
71                  New York-Newark-Jersey City
72                  Dallas-Fort Worth-Arlington
73                     Chicago-Naperville-Elgin
74                                    Knoxville
75               Philadelphia-Camden-Wilmington
76                          Buffalo-Cheektowaga
77                   Charlotte-Concord-Gastonia
78                      Seattle-Tacoma-Bellevue
79                  New York-Newark-Jersey City
80                  New York-Newark-Jersey City
81                  Dallas-Fort Worth-Arlington
82                                      Memphis
83               Los Angeles-Long Beach-Anaheim
84        Miami-Fort Lauderdale-West Palm Beach
85                Atlanta-Sandy Springs-Roswell
86                  New York-Newark-Jersey City
87              Washington-Arlington-Alexandria
88                        Phoenix-Mesa-Chandler
89               Philadelphia-Camden-Wilmington
90                 Indianapolis-Carmel-Anderson
91             Riverside-San Bernardino-Ontario
92                  Dallas-Fort Worth-Arlington
93     Nashville-Davidson–Murfreesboro–Franklin
94               Los Angeles-Long Beach-Anaheim
95                  Louisville/Jefferson County
96                  New York-Newark-Jersey City
97              Washington-Arlington-Alexandria
98                      Albany-Schenectady-Troy
99                  New York-Newark-Jersey City
100                 New York-Newark-Jersey City
101             Washington-Arlington-Alexandria
102            Riverside-San Bernardino-Ontario
103                     Seattle-Tacoma-Bellevue
104                    Chicago-Naperville-Elgin
105                          Providence-Warwick
106                 New York-Newark-Jersey City
107                 New York-Newark-Jersey City
108                              Salt Lake City
109                 New York-Newark-Jersey City
110             Washington-Arlington-Alexandria
111                              Urban Honolulu
112                       Grand Rapids-Kentwood
113                 New York-Newark-Jersey City
114                 New York-Newark-Jersey City
115                                     El Paso
116                                  Cincinnati
117                 Dallas-Fort Worth-Arlington
118                                    Columbus
119                 Louisville/Jefferson County
120                 New York-Newark-Jersey City
121       Miami-Fort Lauderdale-West Palm Beach
122       Miami-Fort Lauderdale-West Palm Beach
123              Philadelphia-Camden-Wilmington
124                           New Haven-Milford
125               North Port-Sarasota-Bradenton
126                    Chicago-Naperville-Elgin
127                 New York-Newark-Jersey City
128                                   Knoxville
129                                 Baton Rouge
130              Philadelphia-Camden-Wilmington
131              Los Angeles-Long Beach-Anaheim
132              San Francisco-Oakland-Berkeley
133                                  Cincinnati
134                    Chicago-Naperville-Elgin
135       Miami-Fort Lauderdale-West Palm Beach
136                                   Knoxville
137                    Chicago-Naperville-Elgin
138            Riverside-San Bernardino-Ontario
139                        New Orleans-Metairie
140                 New York-Newark-Jersey City
141                 New York-Newark-Jersey City
142                        New Orleans-Metairie
143                                  Cincinnati
144                 New York-Newark-Jersey City
145              San Jose-Sunnyvale-Santa Clara
146                 New York-Newark-Jersey City
147                              Urban Honolulu
148                                    Columbia
149              San Francisco-Oakland-Berkeley
150            Houston-The Woodlands-Sugar Land
151                 New York-Newark-Jersey City
152                   Orlando-Kissimmee-Sanford
153                 Bridgeport-Stamford-Norwalk
154    Nashville-Davidson–Murfreesboro–Franklin
155       Miami-Fort Lauderdale-West Palm Beach
156                                 Albuquerque
157              Los Angeles-Long Beach-Anaheim
158         Virginia Beach-Norfolk-Newport News
159       Miami-Fort Lauderdale-West Palm Beach
160                Portland-Vancouver-Hillsboro
161                 New York-Newark-Jersey City
162              Los Angeles-Long Beach-Anaheim
163              Los Angeles-Long Beach-Anaheim
164                    Chicago-Naperville-Elgin
165              Philadelphia-Camden-Wilmington
166                   Baltimore-Columbia-Towson
167                      Denver-Aurora-Lakewood
168                          Milwaukee-Waukesha
169                 New York-Newark-Jersey City
170                                  Pittsburgh
171                     Boston-Cambridge-Newton
172                     Boston-Cambridge-Newton
173                Oxnard-Thousand Oaks-Ventura
174                            Cleveland-Elyria
175                 New York-Newark-Jersey City
176                 New York-Newark-Jersey City
177                     Seattle-Tacoma-Bellevue
178                                  Cincinnati
179                 Dallas-Fort Worth-Arlington
180                 New York-Newark-Jersey City
181                 New York-Newark-Jersey City
182                  Charlotte-Concord-Gastonia
183                    Chicago-Naperville-Elgin
184                 Sacramento–Roseville–Folsom
185                 Louisville/Jefferson County
186                Las Vegas-Henderson-Paradise
187                Austin-Round Rock-Georgetown
188                                    Richmond
189                                    Columbus
190         Virginia Beach-Norfolk-Newport News
191                                   St. Louis
192                         Buffalo-Cheektowaga
193            Houston-The Woodlands-Sugar Land
194              San Jose-Sunnyvale-Santa Clara
195                Portland-Vancouver-Hillsboro
196              Los Angeles-Long Beach-Anaheim
197                 New York-Newark-Jersey City
198                 New York-Newark-Jersey City
199                   San Antonio-New Braunfels
200                     Boston-Cambridge-Newton
201                 Bridgeport-Stamford-Norwalk
202            Minneapolis-St. Paul-Bloomington
203                     Boston-Cambridge-Newton
204                    Chicago-Naperville-Elgin
205                 New York-Newark-Jersey City
206                          Providence-Warwick
207                        Omaha-Council Bluffs
208              San Diego-Chula Vista-Carlsbad
209              Los Angeles-Long Beach-Anaheim
210                               Oklahoma City
211                 New York-Newark-Jersey City
212                Austin-Round Rock-Georgetown
213              San Diego-Chula Vista-Carlsbad
214              San Francisco-Oakland-Berkeley
215                 New York-Newark-Jersey City
216              San Francisco-Oakland-Berkeley
217                            Dayton-Kettering
218                                 Bakersfield
219                     Detroit-Warren-Dearborn
220                                  Cincinnati
221                     Boston-Cambridge-Newton
222              Los Angeles-Long Beach-Anaheim
223                       Phoenix-Mesa-Chandler
224               Atlanta-Sandy Springs-Roswell
225                                    Columbia
226            Riverside-San Bernardino-Ontario
227                 Dallas-Fort Worth-Arlington
228                     Detroit-Warren-Dearborn
229                Austin-Round Rock-Georgetown
230                 New York-Newark-Jersey City
231              San Jose-Sunnyvale-Santa Clara
232                    Chicago-Naperville-Elgin
233               Atlanta-Sandy Springs-Roswell
234                     Seattle-Tacoma-Bellevue
235            Minneapolis-St. Paul-Bloomington
236            Minneapolis-St. Paul-Bloomington
237                 New York-Newark-Jersey City
238                 Dallas-Fort Worth-Arlington
239                                      Fresno
240                                 Baton Rouge
241                                    Richmond
242                   San Antonio-New Braunfels
243                       Phoenix-Mesa-Chandler
244                           Birmingham-Hoover
245                 New York-Newark-Jersey City
246             Tampa-St. Petersburg-Clearwater
247              Los Angeles-Long Beach-Anaheim
248    Nashville-Davidson–Murfreesboro–Franklin
249                                  Cincinnati
250            Houston-The Woodlands-Sugar Land
251                 New York-Newark-Jersey City
252                     Detroit-Warren-Dearborn
253                            Cleveland-Elyria
254                     Detroit-Warren-Dearborn
255                               Oklahoma City
256                    Chicago-Naperville-Elgin
257                 New York-Newark-Jersey City
258                    Chicago-Naperville-Elgin
259              Philadelphia-Camden-Wilmington
260              Los Angeles-Long Beach-Anaheim
261                                 Kansas City
262                 Dallas-Fort Worth-Arlington
263                     Boston-Cambridge-Newton
264              Los Angeles-Long Beach-Anaheim
265             Washington-Arlington-Alexandria
266                 New York-Newark-Jersey City
267                                   St. Louis
268                                      Fresno
269                 Dallas-Fort Worth-Arlington
270              Philadelphia-Camden-Wilmington
271                 New York-Newark-Jersey City
272            Minneapolis-St. Paul-Bloomington
273                                 Baton Rouge
274              Philadelphia-Camden-Wilmington
275                 New York-Newark-Jersey City
276                       Phoenix-Mesa-Chandler
277                 New York-Newark-Jersey City
278                            Dayton-Kettering
279                                 Baton Rouge
280                 New York-Newark-Jersey City
281                  Charlotte-Concord-Gastonia
282              San Francisco-Oakland-Berkeley
283                 Charleston-North Charleston
284                            Dayton-Kettering
285              Los Angeles-Long Beach-Anaheim
286                           New Haven-Milford
287                 Sacramento–Roseville–Folsom
288                Las Vegas-Henderson-Paradise
289                     Detroit-Warren-Dearborn
290                 New York-Newark-Jersey City
291                Indianapolis-Carmel-Anderson
292                 Dallas-Fort Worth-Arlington
293              Philadelphia-Camden-Wilmington
294                 New York-Newark-Jersey City
295                                 Kansas City
296       Miami-Fort Lauderdale-West Palm Beach
297              Los Angeles-Long Beach-Anaheim
298    Nashville-Davidson–Murfreesboro–Franklin
299                 New York-Newark-Jersey City
300                 New York-Newark-Jersey City
301                    Chicago-Naperville-Elgin
302                                   Rochester
303                     Detroit-Warren-Dearborn
304                           Birmingham-Hoover
305              Los Angeles-Long Beach-Anaheim
306             Washington-Arlington-Alexandria
307                     Boston-Cambridge-Newton
308         Virginia Beach-Norfolk-Newport News
309              San Diego-Chula Vista-Carlsbad
310                Portland-Vancouver-Hillsboro
311                                     Memphis
312                                      Fresno
313              San Francisco-Oakland-Berkeley
314              Los Angeles-Long Beach-Anaheim
315                                Raleigh-Cary
316                                       Tulsa
317                       Phoenix-Mesa-Chandler
318               Atlanta-Sandy Springs-Roswell
319                            Colorado Springs
320              Los Angeles-Long Beach-Anaheim
321               North Port-Sarasota-Bradenton
322                                      Fresno
323                   Baltimore-Columbia-Towson
324            Minneapolis-St. Paul-Bloomington
325                 Dallas-Fort Worth-Arlington
326                       Greensboro-High Point
327                 New York-Newark-Jersey City
328            Minneapolis-St. Paul-Bloomington
329                 Charleston-North Charleston
330                Las Vegas-Henderson-Paradise
331                 Dallas-Fort Worth-Arlington
332               Atlanta-Sandy Springs-Roswell
333              Los Angeles-Long Beach-Anaheim
334                     Seattle-Tacoma-Bellevue
335                 Dallas-Fort Worth-Arlington
336                Portland-Vancouver-Hillsboro
337            Riverside-San Bernardino-Ontario
338            Minneapolis-St. Paul-Bloomington
339                  Charlotte-Concord-Gastonia
340                 Dallas-Fort Worth-Arlington
341                    Chicago-Naperville-Elgin
342                Indianapolis-Carmel-Anderson
343       Miami-Fort Lauderdale-West Palm Beach
344                 New York-Newark-Jersey City
345              Los Angeles-Long Beach-Anaheim
346                                      Tucson
347                 Charleston-North Charleston
348                     Detroit-Warren-Dearborn
349                     Boston-Cambridge-Newton
350               Atlanta-Sandy Springs-Roswell
351                   San Antonio-New Braunfels
352                     Seattle-Tacoma-Bellevue
353               North Port-Sarasota-Bradenton
354                 New York-Newark-Jersey City
355              Los Angeles-Long Beach-Anaheim
356                          Milwaukee-Waukesha
357                                 Baton Rouge
358                 New York-Newark-Jersey City
359                            Colorado Springs
360                  Charlotte-Concord-Gastonia
361                           Birmingham-Hoover
362                      Denver-Aurora-Lakewood
363                     Seattle-Tacoma-Bellevue
364              San Diego-Chula Vista-Carlsbad
365                       Grand Rapids-Kentwood
366                                  Cincinnati
367                   Baltimore-Columbia-Towson
368                                  Pittsburgh
369                          Milwaukee-Waukesha
370              San Diego-Chula Vista-Carlsbad
371                Portland-Vancouver-Hillsboro
372                 New York-Newark-Jersey City
373            Minneapolis-St. Paul-Bloomington
374                 Louisville/Jefferson County
375              Philadelphia-Camden-Wilmington
376                                    Columbia
377                                   Rochester
378                      Denver-Aurora-Lakewood
379                       Grand Rapids-Kentwood
380              San Jose-Sunnyvale-Santa Clara
381                Austin-Round Rock-Georgetown
382              San Diego-Chula Vista-Carlsbad
383             Tampa-St. Petersburg-Clearwater
384              Philadelphia-Camden-Wilmington
385                 New York-Newark-Jersey City
386                     Seattle-Tacoma-Bellevue
387                 Bridgeport-Stamford-Norwalk
388                 New York-Newark-Jersey City
389       Miami-Fort Lauderdale-West Palm Beach
390                    Chicago-Naperville-Elgin
391                 New York-Newark-Jersey City
392                     Seattle-Tacoma-Bellevue
393                                   Knoxville
394                                    Stockton
395                 New York-Newark-Jersey City
396                              Salt Lake City
397                               Oklahoma City
398                      Denver-Aurora-Lakewood
399                   San Antonio-New Braunfels
400            Riverside-San Bernardino-Ontario
401                                    Richmond
402                 New York-Newark-Jersey City
403             Washington-Arlington-Alexandria
404                 New York-Newark-Jersey City
405                Indianapolis-Carmel-Anderson
406              San Diego-Chula Vista-Carlsbad
407                 New York-Newark-Jersey City
408                   Baltimore-Columbia-Towson
409                  Charlotte-Concord-Gastonia
410              Los Angeles-Long Beach-Anaheim
411                                   Rochester
412                     Detroit-Warren-Dearborn
413                                 Bakersfield
414                              Urban Honolulu
415                     Boston-Cambridge-Newton
416            Minneapolis-St. Paul-Bloomington
417            Minneapolis-St. Paul-Bloomington
418                 New York-Newark-Jersey City
419                       Phoenix-Mesa-Chandler
420              San Francisco-Oakland-Berkeley
421                       Phoenix-Mesa-Chandler
422              Los Angeles-Long Beach-Anaheim
423              Philadelphia-Camden-Wilmington
424         Virginia Beach-Norfolk-Newport News
425                Las Vegas-Henderson-Paradise
426              San Francisco-Oakland-Berkeley
427             Washington-Arlington-Alexandria
428                       Phoenix-Mesa-Chandler
429                 New York-Newark-Jersey City
430                 New York-Newark-Jersey City
431                 Sacramento–Roseville–Folsom
432                              Salt Lake City
433              Philadelphia-Camden-Wilmington
434                 New York-Newark-Jersey City
435             Washington-Arlington-Alexandria
436              Philadelphia-Camden-Wilmington
437                 Dallas-Fort Worth-Arlington
438                   Orlando-Kissimmee-Sanford
439            Riverside-San Bernardino-Ontario
440    Nashville-Davidson–Murfreesboro–Franklin
441               Atlanta-Sandy Springs-Roswell
442                 New York-Newark-Jersey City
443               Atlanta-Sandy Springs-Roswell
444                           New Haven-Milford
445                 Dallas-Fort Worth-Arlington
446                Austin-Round Rock-Georgetown
447                   Orlando-Kissimmee-Sanford
448                              Urban Honolulu
449                     Seattle-Tacoma-Bellevue
450                                 Bakersfield
451                  Charlotte-Concord-Gastonia
452                                      Tucson
453              Los Angeles-Long Beach-Anaheim
454                   San Antonio-New Braunfels
455                      Denver-Aurora-Lakewood
456            Minneapolis-St. Paul-Bloomington
457                 New York-Newark-Jersey City
458                     Detroit-Warren-Dearborn
459              San Francisco-Oakland-Berkeley
460                                      Fresno
461                                  Pittsburgh
462                Las Vegas-Henderson-Paradise
463               Atlanta-Sandy Springs-Roswell
464                          Providence-Warwick
465                                  Pittsburgh
466              Los Angeles-Long Beach-Anaheim
467               Atlanta-Sandy Springs-Roswell
468                      Denver-Aurora-Lakewood
469                 New York-Newark-Jersey City
470             Washington-Arlington-Alexandria
471                                    Richmond
472              San Francisco-Oakland-Berkeley
473                 Louisville/Jefferson County
474                                 Bakersfield
475                 Dallas-Fort Worth-Arlington
476              Los Angeles-Long Beach-Anaheim
477            Riverside-San Bernardino-Ontario
478                Portland-Vancouver-Hillsboro
479            Riverside-San Bernardino-Ontario
480                                   St. Louis
481                              Urban Honolulu
482                 New York-Newark-Jersey City
483                    Chicago-Naperville-Elgin
484                 Dallas-Fort Worth-Arlington
485    Nashville-Davidson–Murfreesboro–Franklin
486                   Orlando-Kissimmee-Sanford
487                       Cape Coral-Fort Myers
488                                 Baton Rouge
489                     Detroit-Warren-Dearborn
490                 Sacramento–Roseville–Folsom
491                       Grand Rapids-Kentwood
492                Portland-Vancouver-Hillsboro
493                     Boston-Cambridge-Newton
494                 New York-Newark-Jersey City
495                 New York-Newark-Jersey City
496                        New Orleans-Metairie
497              Los Angeles-Long Beach-Anaheim
498                 New York-Newark-Jersey City
499                   Orlando-Kissimmee-Sanford
Name: city_name, dtype: object

# Crear una columna que calcule la duración total del plan en días
# La nueva columna 'duracion_plan' se calcula como la diferencia en días entre 'churn_date' y 'reg_date'
users['duracion_plan'] = (users['churn_date'] - users['reg_date']).dt.days

# Crear una columna que contenga solo el mes de registro
# La nueva columna 'reg_month' se extrae a partir de la fecha de registro 'reg_date' y se formatea para mostrar solo el mes
users['reg_month'] = users['reg_date'].dt.strftime('%m')

# Mostrar las primeras filas del DataFrame 'users' para verificar las nuevas columnas

users.head()

"""
Procesar las fechas en los DataFrames y añadir columnas de mes y año.
"""
# Convertir fechas a tipo datetime
calls['call_date'] = pd.to_datetime(calls['call_date'])
messages['message_date'] = pd.to_datetime(messages['message_date'])
internet['session_date'] = pd.to_datetime(internet['session_date'])
users['reg_date'] = pd.to_datetime(users['reg_date'])
users['churn_date'] = pd.to_datetime(users['churn_date'], errors='coerce')  # Manejar errores de conversión


# Añadir columnas de mes y año
calls['month'] = calls['call_date'].dt.month
messages['month'] = messages['message_date'].dt.month
internet['month'] = internet['session_date'].dt.month

# Crear una columna que combine el año y el mes de cada mensaje
# Esto permite realizar análisis basados en períodos mensuales

messages['year_month'] = messages['message_date'].dt.strftime('%Y-%m')

# Mostrar las primeras filas del DataFrame 'messages' para verificar las nuevas columnas

messages.head()

    user_id first_name last_name  age                                             city   reg_date      plan churn_date city_name state  msa age_range  duracion_plan reg_month
6      1006     jesusa  bradford   73           san francisco-oakland-berkeley, ca msa 2018-11-27  ultimate 2018-12-18       NaN   NaN  NaN       66+             21        11
12     1012    jonelle   mcbride   59           chicago-naperville-elgin, il-in-wi msa 2018-06-28      surf 2018-11-16       NaN   NaN  NaN     56-65            141        06
22     1022         bo      snow   73        new york-newark-jersey city, ny-nj-pa msa 2018-04-20      surf 2018-09-07       NaN   NaN  NaN       66+            140        04
40     1040      paris    santos   72  philadelphia-camden-wilmington, pa-nj-de-md msa 2018-12-23      surf 2018-12-30       NaN   NaN  NaN       66+              7        12
50     1050       jone      owen   23    miami-fort lauderdale-west palm beach, fl msa 2018-03-20  ultimate 2018-10-07       NaN   NaN  NaN     19-25            201        03
Columnas después del merge: Index(['user_id', 'month', 'calls_duration', 'mb_used', 'messages_count',
       'first_name', 'last_name', 'age', 'city', 'reg_date', 'plan',
       'churn_date', 'city_name', 'state', 'msa', 'age_range', 'duracion_plan',
       'reg_month', 'messages_included', 'mb_per_month_included',
       'minutes_included', 'usd_monthly_pay', 'usd_per_gb', 'usd_per_message',
       'usd_per_minute', 'plan_name', 'gb_used', 'extra_mensajes',
       'cost_extra_mensajes', 'min_extra', 'cost_min_extra', 'gb_extra',
       'cost_gb_extra', 'ingreso_total', 'year_month'],
      dtype='object')
            duracion_media_surf  duracion_media_ultimate
year_month                                              
1                          0.00                     0.00
10                       256.52                   200.21
11                       354.66                   236.43
12                       410.97                   308.54
2                          0.00                    52.84
3                          0.00                    64.99
4                         10.44                   110.40
5                        101.16                   157.40
6                        113.48                   153.25
7                        126.24                   190.17
8                        165.71                   182.45
9                        195.97                   212.41
            mensajes_media_surf  mensajes_media_ultimate
year_month                                              
1                          0.00                     0.00
10                        21.96                    15.00
11                        24.61                    19.45
12                        34.04                    33.55
2                          0.00                     2.36
3                          0.00                     1.91
4                          1.35                     4.09
5                          5.87                     8.91
6                          5.96                     7.91
7                          8.04                     8.45
8                         10.39                    10.36
9                         18.17                    15.09
            internet_media_surf  internet_media_ultimate
year_month                                              
1                          0.00                     0.00
10                     11492.20                  9205.32
11                     14304.40                  9734.68
12                     17123.24                 14164.61
2                          0.00                  1826.63
3                          0.00                  3366.89
4                        659.87                  4664.97
5                       3748.88                  5791.05
6                       5025.48                  6229.60
7                       4965.87                  6018.66
8                       6844.27                  6706.94
9                       8941.92                  7266.09
            ingreso_medio_surf  ingreso_medio_ultimate
year_month                                            
1                        20.00                   70.00
10                       44.49                   70.00
11                       51.80                   70.00
12                       65.81                   70.87
2                        20.00                   70.00
3                        20.00                   70.23
4                        20.00                   70.00
5                        23.77                   70.00
6                        27.80                   70.00
7                        27.21                   70.00
8                        35.06                   70.00
9                        43.60                   70.00

Total monto de mensajes extra: $ 13.649999999999997
Total monto de minutos extra: $ 92.40119999999999
Total monto de datos extra: $ 3575.645712890625
Monto total del mes: $ 18441.696912890624

Dropdown(description='Seleccione el gráfico:', options=(('Gráficos de líneas', 'line'), ('Gráficos de barras a…

Dropdown(description='Seleccione el gráfico:', options=(('Diagramas de caja (Boxplots)', 'boxplot'), ('Gráfico…

<Figure size 1000x600 with 0 Axes>

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
File c:\ProgramData\anaconda\Lib\site-packages\ipywidgets\widgets\widget.py:676, in Widget._handle_msg(self, msg)
    674         if 'buffer_paths' in data:
    675             _put_buffers(state, data['buffer_paths'], msg['buffers'])
--> 676         self.set_state(state)
    678 # Handle a state request.
    679 elif method == 'request_state':

File c:\ProgramData\anaconda\Lib\site-packages\ipywidgets\widgets\widget.py:540, in Widget.set_state(self, sync_data)
    536 """Called when a state is received from the front-end."""
    537 # The order of these context managers is important. Properties must
    538 # be locked when the hold_trait_notification context manager is
    539 # released and notifications are fired.
--> 540 with self._lock_property(**sync_data), self.hold_trait_notifications():
    541     for name in sync_data:
    542         if name in self.keys:

File c:\ProgramData\anaconda\Lib\contextlib.py:144, in _GeneratorContextManager.__exit__(self, typ, value, traceback)
    142 if typ is None:
    143     try:
--> 144         next(self.gen)
    145     except StopIteration:
    146         return False

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1510, in HasTraits.hold_trait_notifications(self)
   1508 for changes in cache.values():
   1509     for change in changes:
-> 1510         self.notify_change(change)

File c:\ProgramData\anaconda\Lib\site-packages\ipywidgets\widgets\widget.py:606, in Widget.notify_change(self, change)
    603     if name in self.keys and self._should_send_property(name, getattr(self, name)):
    604         # Send new state to front-end
    605         self.send_state(key=name)
--> 606 super(Widget, self).notify_change(change)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1525, in HasTraits.notify_change(self, change)
   1523 def notify_change(self, change: Bunch) -> None:
   1524     """Notify observers of a change event"""
-> 1525     return self._notify_observers(change)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1568, in HasTraits._notify_observers(self, event)
   1565 elif isinstance(c, EventHandler) and c.name is not None:
   1566     c = getattr(self, c.name)
-> 1568 c(event)

File c:\ProgramData\anaconda\Lib\site-packages\ipywidgets\widgets\widget_selection.py:235, in _Selection._propagate_index(self, change)
    233     self.label = label
    234 if self.value is not value:
--> 235     self.value = value

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:716, in TraitType.__set__(self, obj, value)
    714 if self.read_only:
    715     raise TraitError('The "%s" trait is read-only.' % self.name)
--> 716 self.set(obj, value)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:706, in TraitType.set(self, obj, value)
    702     silent = False
    703 if silent is not True:
    704     # we explicitly compare silent to True just in case the equality
    705     # comparison above returns something other than True/False
--> 706     obj._notify_trait(self.name, old_value, new_value)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1513, in HasTraits._notify_trait(self, name, old_value, new_value)
   1512 def _notify_trait(self, name: str, old_value: t.Any, new_value: t.Any) -> None:
-> 1513     self.notify_change(
   1514         Bunch(
   1515             name=name,
   1516             old=old_value,
   1517             new=new_value,
   1518             owner=self,
   1519             type="change",
   1520         )
   1521     )

File c:\ProgramData\anaconda\Lib\site-packages\ipywidgets\widgets\widget.py:606, in Widget.notify_change(self, change)
    603     if name in self.keys and self._should_send_property(name, getattr(self, name)):
    604         # Send new state to front-end
    605         self.send_state(key=name)
--> 606 super(Widget, self).notify_change(change)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1525, in HasTraits.notify_change(self, change)
   1523 def notify_change(self, change: Bunch) -> None:
   1524     """Notify observers of a change event"""
-> 1525     return self._notify_observers(change)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1568, in HasTraits._notify_observers(self, event)
   1565 elif isinstance(c, EventHandler) and c.name is not None:
   1566     c = getattr(self, c.name)
-> 1568 c(event)

Cell In[24], line 213, in create_interactive_distribution_plot.<locals>.on_change(change)
    211 def on_change(change):
    212     if change['type'] == 'change' and change['name'] == 'value':
--> 213         plot_distribution_graph(data, plot_type=change['new'], title=title, y_column=y_column)

TypeError: plot_distribution_graph() got an unexpected keyword argument 'title'

Dropdown(description='Seleccione el gráfico:', options=(('Gráficos de líneas', 'line'), ('Gráficos de barras a…

Dropdown(description='Seleccione el gráfico:', options=(('Diagramas de caja (Boxplots)', 'boxplot'), ('Gráfico…

Dropdown(description='Seleccione el gráfico:', options=(('Gráficos de líneas', 'line'), ('Gráficos de barras a…

Dropdown(description='Seleccione el gráfico:', options=(('Diagramas de caja (Boxplots)', 'boxplot'), ('Gráfico…

# Crear una columna que combine el año y el mes de cada mensaje
# Esto permite realizar análisis basados en períodos mensuales

messages['year_month'] = messages['message_date'].dt.strftime('%Y-%m')

# Mostrar las primeras filas del DataFrame 'messages' para verificar las nuevas columnas

messages.head()

"""
Procesar las fechas en los DataFrames y añadir columnas de mes y año.
"""
# Convertir fechas a tipo datetime
calls['call_date'] = pd.to_datetime(calls['call_date'])
messages['message_date'] = pd.to_datetime(messages['message_date'])
internet['session_date'] = pd.to_datetime(internet['session_date'])
users['reg_date'] = pd.to_datetime(users['reg_date'])
users['churn_date'] = pd.to_datetime(users['churn_date'], errors='coerce')  # Manejar errores de conversión

# Añadir columnas de mes y año
calls['month'] = calls['call_date'].dt.month
messages['month'] = messages['message_date'].dt.month
internet['month'] = internet['session_date'].dt.month

# Revisar las condiciones del plan y asegurar de que sean claros
# users
plans

    user_id first_name last_name  age                                             city   reg_date      plan churn_date city_name state  msa age_range  duracion_plan reg_month
6      1006     jesusa  bradford   73           san francisco-oakland-berkeley, ca msa 2018-11-27  ultimate 2018-12-18       NaN   NaN  NaN       66+             21        11
12     1012    jonelle   mcbride   59           chicago-naperville-elgin, il-in-wi msa 2018-06-28      surf 2018-11-16       NaN   NaN  NaN     56-65            141        06
22     1022         bo      snow   73        new york-newark-jersey city, ny-nj-pa msa 2018-04-20      surf 2018-09-07       NaN   NaN  NaN       66+            140        04
40     1040      paris    santos   72  philadelphia-camden-wilmington, pa-nj-de-md msa 2018-12-23      surf 2018-12-30       NaN   NaN  NaN       66+              7        12
50     1050       jone      owen   23    miami-fort lauderdale-west palm beach, fl msa 2018-03-20  ultimate 2018-10-07       NaN   NaN  NaN     19-25            201        03
Columnas después del merge: Index(['user_id', 'month', 'calls_duration', 'mb_used', 'messages_count',
       'first_name', 'last_name', 'age', 'city', 'reg_date', 'plan',
       'churn_date', 'city_name', 'state', 'msa', 'age_range', 'duracion_plan',
       'reg_month', 'messages_included', 'mb_per_month_included',
       'minutes_included', 'usd_monthly_pay', 'usd_per_gb', 'usd_per_message',
       'usd_per_minute', 'plan_name', 'gb_used', 'extra_mensajes',
       'cost_extra_mensajes', 'min_extra', 'cost_min_extra', 'gb_extra',
       'cost_gb_extra', 'ingreso_total', 'year_month'],
      dtype='object')
            duracion_media_surf  duracion_media_ultimate
year_month                                              
1                          0.00                     0.00
10                       256.52                   200.21
11                       354.66                   236.43
12                       410.97                   308.54
2                          0.00                    52.84
3                          0.00                    64.99
4                         10.44                   110.40
5                        101.16                   157.40
6                        113.48                   153.25
7                        126.24                   190.17
8                        165.71                   182.45
9                        195.97                   212.41
            mensajes_media_surf  mensajes_media_ultimate
year_month                                              
1                          0.00                     0.00
10                        21.96                    15.00
11                        24.61                    19.45
12                        34.04                    33.55
2                          0.00                     2.36
3                          0.00                     1.91
4                          1.35                     4.09
5                          5.87                     8.91
6                          5.96                     7.91
7                          8.04                     8.45
8                         10.39                    10.36
9                         18.17                    15.09
            internet_media_surf  internet_media_ultimate
year_month                                              
1                          0.00                     0.00
10                     11492.20                  9205.32
11                     14304.40                  9734.68
12                     17123.24                 14164.61
2                          0.00                  1826.63
3                          0.00                  3366.89
4                        659.87                  4664.97
5                       3748.88                  5791.05
6                       5025.48                  6229.60
7                       4965.87                  6018.66
8                       6844.27                  6706.94
9                       8941.92                  7266.09
            ingreso_medio_surf  ingreso_medio_ultimate
year_month                                            
1                        20.00                   70.00
10                       44.49                   70.00
11                       51.80                   70.00
12                       65.81                   70.87
2                        20.00                   70.00
3                        20.00                   70.23
4                        20.00                   70.00
5                        23.77                   70.00
6                        27.80                   70.00
7                        27.21                   70.00
8                        35.06                   70.00
9                        43.60                   70.00

Total monto de mensajes extra: $ 13.649999999999997
Total monto de minutos extra: $ 92.40119999999999
Total monto de datos extra: $ 3575.645712890625
Monto total del mes: $ 18441.696912890624

Dropdown(description='Seleccione el gráfico:', options=(('Gráficos de líneas', 'line'), ('Gráficos de barras a…

Dropdown(description='Seleccione el gráfico:', options=(('Diagramas de caja (Boxplots)', 'boxplot'), ('Gráfico…

<Figure size 1000x600 with 0 Axes>

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
File c:\ProgramData\anaconda\Lib\site-packages\ipywidgets\widgets\widget.py:676, in Widget._handle_msg(self, msg)
    674         if 'buffer_paths' in data:
    675             _put_buffers(state, data['buffer_paths'], msg['buffers'])
--> 676         self.set_state(state)
    678 # Handle a state request.
    679 elif method == 'request_state':

File c:\ProgramData\anaconda\Lib\site-packages\ipywidgets\widgets\widget.py:540, in Widget.set_state(self, sync_data)
    536 """Called when a state is received from the front-end."""
    537 # The order of these context managers is important. Properties must
    538 # be locked when the hold_trait_notification context manager is
    539 # released and notifications are fired.
--> 540 with self._lock_property(**sync_data), self.hold_trait_notifications():
    541     for name in sync_data:
    542         if name in self.keys:

File c:\ProgramData\anaconda\Lib\contextlib.py:144, in _GeneratorContextManager.__exit__(self, typ, value, traceback)
    142 if typ is None:
    143     try:
--> 144         next(self.gen)
    145     except StopIteration:
    146         return False

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1510, in HasTraits.hold_trait_notifications(self)
   1508 for changes in cache.values():
   1509     for change in changes:
-> 1510         self.notify_change(change)

File c:\ProgramData\anaconda\Lib\site-packages\ipywidgets\widgets\widget.py:606, in Widget.notify_change(self, change)
    603     if name in self.keys and self._should_send_property(name, getattr(self, name)):
    604         # Send new state to front-end
    605         self.send_state(key=name)
--> 606 super(Widget, self).notify_change(change)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1525, in HasTraits.notify_change(self, change)
   1523 def notify_change(self, change: Bunch) -> None:
   1524     """Notify observers of a change event"""
-> 1525     return self._notify_observers(change)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1568, in HasTraits._notify_observers(self, event)
   1565 elif isinstance(c, EventHandler) and c.name is not None:
   1566     c = getattr(self, c.name)
-> 1568 c(event)

File c:\ProgramData\anaconda\Lib\site-packages\ipywidgets\widgets\widget_selection.py:235, in _Selection._propagate_index(self, change)
    233     self.label = label
    234 if self.value is not value:
--> 235     self.value = value

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:716, in TraitType.__set__(self, obj, value)
    714 if self.read_only:
    715     raise TraitError('The "%s" trait is read-only.' % self.name)
--> 716 self.set(obj, value)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:706, in TraitType.set(self, obj, value)
    702     silent = False
    703 if silent is not True:
    704     # we explicitly compare silent to True just in case the equality
    705     # comparison above returns something other than True/False
--> 706     obj._notify_trait(self.name, old_value, new_value)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1513, in HasTraits._notify_trait(self, name, old_value, new_value)
   1512 def _notify_trait(self, name: str, old_value: t.Any, new_value: t.Any) -> None:
-> 1513     self.notify_change(
   1514         Bunch(
   1515             name=name,
   1516             old=old_value,
   1517             new=new_value,
   1518             owner=self,
   1519             type="change",
   1520         )
   1521     )

File c:\ProgramData\anaconda\Lib\site-packages\ipywidgets\widgets\widget.py:606, in Widget.notify_change(self, change)
    603     if name in self.keys and self._should_send_property(name, getattr(self, name)):
    604         # Send new state to front-end
    605         self.send_state(key=name)
--> 606 super(Widget, self).notify_change(change)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1525, in HasTraits.notify_change(self, change)
   1523 def notify_change(self, change: Bunch) -> None:
   1524     """Notify observers of a change event"""
-> 1525     return self._notify_observers(change)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1568, in HasTraits._notify_observers(self, event)
   1565 elif isinstance(c, EventHandler) and c.name is not None:
   1566     c = getattr(self, c.name)
-> 1568 c(event)

Cell In[24], line 213, in create_interactive_distribution_plot.<locals>.on_change(change)
    211 def on_change(change):
    212     if change['type'] == 'change' and change['name'] == 'value':
--> 213         plot_distribution_graph(data, plot_type=change['new'], title=title, y_column=y_column)

TypeError: plot_distribution_graph() got an unexpected keyword argument 'title'

Dropdown(description='Seleccione el gráfico:', options=(('Gráficos de líneas', 'line'), ('Gráficos de barras a…

Dropdown(description='Seleccione el gráfico:', options=(('Diagramas de caja (Boxplots)', 'boxplot'), ('Gráfico…

# Revisar las condiciones del plan y asegurar de que sean claros
# users
plans

"""
Procesar las fechas en los DataFrames y añadir columnas de mes y año.
"""
# Convertir fechas a tipo datetime
calls['call_date'] = pd.to_datetime(calls['call_date'])
messages['message_date'] = pd.to_datetime(messages['message_date'])
internet['session_date'] = pd.to_datetime(internet['session_date'])
users['reg_date'] = pd.to_datetime(users['reg_date'])
users['churn_date'] = pd.to_datetime(users['churn_date'], errors='coerce')  # Manejar errores de conversión

# Añadir columnas de mes y año
calls['month'] = calls['call_date'].dt.month
messages['month'] = messages['message_date'].dt.month
internet['month'] = internet['session_date'].dt.month

# imprimir planes para referencia de precios de tarifas

plans

    user_id first_name last_name  age                                             city   reg_date      plan churn_date city_name state  msa age_range  duracion_plan reg_month
6      1006     jesusa  bradford   73           san francisco-oakland-berkeley, ca msa 2018-11-27  ultimate 2018-12-18       NaN   NaN  NaN       66+             21        11
12     1012    jonelle   mcbride   59           chicago-naperville-elgin, il-in-wi msa 2018-06-28      surf 2018-11-16       NaN   NaN  NaN     56-65            141        06
22     1022         bo      snow   73        new york-newark-jersey city, ny-nj-pa msa 2018-04-20      surf 2018-09-07       NaN   NaN  NaN       66+            140        04
40     1040      paris    santos   72  philadelphia-camden-wilmington, pa-nj-de-md msa 2018-12-23      surf 2018-12-30       NaN   NaN  NaN       66+              7        12
50     1050       jone      owen   23    miami-fort lauderdale-west palm beach, fl msa 2018-03-20  ultimate 2018-10-07       NaN   NaN  NaN     19-25            201        03
Columnas después del merge: Index(['user_id', 'month', 'calls_duration', 'mb_used', 'messages_count',
       'first_name', 'last_name', 'age', 'city', 'reg_date', 'plan',
       'churn_date', 'city_name', 'state', 'msa', 'age_range', 'duracion_plan',
       'reg_month', 'messages_included', 'mb_per_month_included',
       'minutes_included', 'usd_monthly_pay', 'usd_per_gb', 'usd_per_message',
       'usd_per_minute', 'plan_name', 'gb_used', 'extra_mensajes',
       'cost_extra_mensajes', 'min_extra', 'cost_min_extra', 'gb_extra',
       'cost_gb_extra', 'ingreso_total', 'year_month'],
      dtype='object')
            duracion_media_surf  duracion_media_ultimate
year_month                                              
1                          0.00                     0.00
10                       256.52                   200.21
11                       354.66                   236.43
12                       410.97                   308.54
2                          0.00                    52.84
3                          0.00                    64.99
4                         10.44                   110.40
5                        101.16                   157.40
6                        113.48                   153.25
7                        126.24                   190.17
8                        165.71                   182.45
9                        195.97                   212.41
            mensajes_media_surf  mensajes_media_ultimate
year_month                                              
1                          0.00                     0.00
10                        21.96                    15.00
11                        24.61                    19.45
12                        34.04                    33.55
2                          0.00                     2.36
3                          0.00                     1.91
4                          1.35                     4.09
5                          5.87                     8.91
6                          5.96                     7.91
7                          8.04                     8.45
8                         10.39                    10.36
9                         18.17                    15.09
            internet_media_surf  internet_media_ultimate
year_month                                              
1                          0.00                     0.00
10                     11492.20                  9205.32
11                     14304.40                  9734.68
12                     17123.24                 14164.61
2                          0.00                  1826.63
3                          0.00                  3366.89
4                        659.87                  4664.97
5                       3748.88                  5791.05
6                       5025.48                  6229.60
7                       4965.87                  6018.66
8                       6844.27                  6706.94
9                       8941.92                  7266.09
            ingreso_medio_surf  ingreso_medio_ultimate
year_month                                            
1                        20.00                   70.00
10                       44.49                   70.00
11                       51.80                   70.00
12                       65.81                   70.87
2                        20.00                   70.00
3                        20.00                   70.23
4                        20.00                   70.00
5                        23.77                   70.00
6                        27.80                   70.00
7                        27.21                   70.00
8                        35.06                   70.00
9                        43.60                   70.00

Total monto de mensajes extra: $ 13.649999999999997
Total monto de minutos extra: $ 92.40119999999999
Total monto de datos extra: $ 3575.645712890625
Monto total del mes: $ 18441.696912890624

Dropdown(description='Seleccione el gráfico:', options=(('Gráficos de líneas', 'line'), ('Gráficos de barras a…

Dropdown(description='Seleccione el gráfico:', options=(('Diagramas de caja (Boxplots)', 'boxplot'), ('Gráfico…

<Figure size 1000x600 with 0 Axes>

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
File c:\ProgramData\anaconda\Lib\site-packages\ipywidgets\widgets\widget.py:676, in Widget._handle_msg(self, msg)
    674         if 'buffer_paths' in data:
    675             _put_buffers(state, data['buffer_paths'], msg['buffers'])
--> 676         self.set_state(state)
    678 # Handle a state request.
    679 elif method == 'request_state':

File c:\ProgramData\anaconda\Lib\site-packages\ipywidgets\widgets\widget.py:540, in Widget.set_state(self, sync_data)
    536 """Called when a state is received from the front-end."""
    537 # The order of these context managers is important. Properties must
    538 # be locked when the hold_trait_notification context manager is
    539 # released and notifications are fired.
--> 540 with self._lock_property(**sync_data), self.hold_trait_notifications():
    541     for name in sync_data:
    542         if name in self.keys:

File c:\ProgramData\anaconda\Lib\contextlib.py:144, in _GeneratorContextManager.__exit__(self, typ, value, traceback)
    142 if typ is None:
    143     try:
--> 144         next(self.gen)
    145     except StopIteration:
    146         return False

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1510, in HasTraits.hold_trait_notifications(self)
   1508 for changes in cache.values():
   1509     for change in changes:
-> 1510         self.notify_change(change)

File c:\ProgramData\anaconda\Lib\site-packages\ipywidgets\widgets\widget.py:606, in Widget.notify_change(self, change)
    603     if name in self.keys and self._should_send_property(name, getattr(self, name)):
    604         # Send new state to front-end
    605         self.send_state(key=name)
--> 606 super(Widget, self).notify_change(change)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1525, in HasTraits.notify_change(self, change)
   1523 def notify_change(self, change: Bunch) -> None:
   1524     """Notify observers of a change event"""
-> 1525     return self._notify_observers(change)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1568, in HasTraits._notify_observers(self, event)
   1565 elif isinstance(c, EventHandler) and c.name is not None:
   1566     c = getattr(self, c.name)
-> 1568 c(event)

File c:\ProgramData\anaconda\Lib\site-packages\ipywidgets\widgets\widget_selection.py:235, in _Selection._propagate_index(self, change)
    233     self.label = label
    234 if self.value is not value:
--> 235     self.value = value

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:716, in TraitType.__set__(self, obj, value)
    714 if self.read_only:
    715     raise TraitError('The "%s" trait is read-only.' % self.name)
--> 716 self.set(obj, value)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:706, in TraitType.set(self, obj, value)
    702     silent = False
    703 if silent is not True:
    704     # we explicitly compare silent to True just in case the equality
    705     # comparison above returns something other than True/False
--> 706     obj._notify_trait(self.name, old_value, new_value)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1513, in HasTraits._notify_trait(self, name, old_value, new_value)
   1512 def _notify_trait(self, name: str, old_value: t.Any, new_value: t.Any) -> None:
-> 1513     self.notify_change(
   1514         Bunch(
   1515             name=name,
   1516             old=old_value,
   1517             new=new_value,
   1518             owner=self,
   1519             type="change",
   1520         )
   1521     )

File c:\ProgramData\anaconda\Lib\site-packages\ipywidgets\widgets\widget.py:606, in Widget.notify_change(self, change)
    603     if name in self.keys and self._should_send_property(name, getattr(self, name)):
    604         # Send new state to front-end
    605         self.send_state(key=name)
--> 606 super(Widget, self).notify_change(change)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1525, in HasTraits.notify_change(self, change)
   1523 def notify_change(self, change: Bunch) -> None:
   1524     """Notify observers of a change event"""
-> 1525     return self._notify_observers(change)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1568, in HasTraits._notify_observers(self, event)
   1565 elif isinstance(c, EventHandler) and c.name is not None:
   1566     c = getattr(self, c.name)
-> 1568 c(event)

Cell In[24], line 213, in create_interactive_distribution_plot.<locals>.on_change(change)
    211 def on_change(change):
    212     if change['type'] == 'change' and change['name'] == 'value':
--> 213         plot_distribution_graph(data, plot_type=change['new'], title=title, y_column=y_column)

TypeError: plot_distribution_graph() got an unexpected keyword argument 'title'

Dropdown(description='Seleccione el gráfico:', options=(('Gráficos de líneas', 'line'), ('Gráficos de barras a…

Dropdown(description='Seleccione el gráfico:', options=(('Diagramas de caja (Boxplots)', 'boxplot'), ('Gráfico…

# imprimir planes para referencia de precios de tarifas

plans

"""
Procesar las fechas en los DataFrames y añadir columnas de mes y año.
"""
# Convertir fechas a tipo datetime
calls['call_date'] = pd.to_datetime(calls['call_date'])
messages['message_date'] = pd.to_datetime(messages['message_date'])
internet['session_date'] = pd.to_datetime(internet['session_date'])
users['reg_date'] = pd.to_datetime(users['reg_date'])
users['churn_date'] = pd.to_datetime(users['churn_date'], errors='coerce')  # Manejar errores de conversión

# Añadir columnas de mes y año
calls['month'] = calls['call_date'].dt.month
messages['month'] = messages['message_date'].dt.month
internet['month'] = internet['session_date'].dt.month

# Definir las funciones para calcular los costos adicionales

# Función para calcular el costo adicional por mensajes
def costo_mensajes_extra(row):
    mensajes_extra = row['total_messages'] - row['messages_included']
    if mensajes_extra > 0:
        return mensajes_extra * row['usd_per_message']
    return 0

# Función para calcular el costo adicional por minutos
def costo_minutos_extra(row):
    minutos_extra = row['total_minutes'] - row['minutes_included']
    if minutos_extra > 0:
        return minutos_extra * row['usd_per_minute']
    return 0

# Función para calcular el costo adicional por datos
def costo_gb_extra(row):
    gb_extra = row['total_gb_used'] - (row['mb_per_month_included'] / 1024)
    if gb_extra > 0:
        return gb_extra * row['usd_per_gb']
    return 0

calls.head()
plans.head()
messages.head()
internet.head()
plans.head()
users.head()

users.head()

# Procesar las fechas en los DataFrames y añadir columnas de mes y año
users['reg_date'] = pd.to_datetime(users['reg_date'])
users['churn_date'] = pd.to_datetime(users['churn_date'], errors='coerce')  # Manejar errores de conversión
calls['call_date'] = pd.to_datetime(calls['call_date'])
messages['message_date'] = pd.to_datetime(messages['message_date'])
internet['session_date'] = pd.to_datetime(internet['session_date'])

# Añadir columnas de mes y año
calls['month'] = calls['call_date'].dt.month
messages['month'] = messages['message_date'].dt.month
internet['month'] = internet['session_date'].dt.month

# Agregar columnas separadas de 'city'
users[['city_name', 'state', 'msa']] = users['city'].str.extract(r'([^,]+), ([^ ]+) (MSA)')

# Crear la columna de rango de edad
bins = [0, 18, 25, 35, 45, 55, 65, 100]
labels = ['0-18', '19-25', '26-35', '36-45', '46-55', '56-65', '66+']
users['age_range'] = pd.cut(users['age'], bins=bins, labels=labels, right=False)

# Mostrar las primeras filas del DataFrame 'users' para verificar las nuevas columnas
print(users.head())

# Combinar los datos de llamadas, internet y mensajes con los usuarios
llamadas_usuarios = calls.merge(users, on='user_id', how='left')
internet_usuarios = internet.merge(users, on='user_id', how='left')
mensajes_usuarios = messages.merge(users, on='user_id', how='left')

# Agrupar y sumar los datos mensuales
llamadas_mensuales = llamadas_usuarios.groupby(['user_id', 'month']).agg({'duration': 'sum'}).reset_index()
internet_mensual = internet_usuarios.groupby(['user_id', 'month']).agg({'mb_used': 'sum'}).reset_index()
mensajes_mensual = mensajes_usuarios.groupby(['user_id', 'month']).agg({'id': 'count'}).reset_index().rename(columns={'id': 'messages_count'})

# Crear un DataFrame con todos los usuarios y meses posibles
usuarios_meses = pd.DataFrame([(user_id, month) for user_id in users['user_id'] for month in range(1, 13)], columns=['user_id', 'month'])

# Combinar todos los datos mensuales en un solo DataFrame
df_final = usuarios_meses.merge(llamadas_mensuales, on=['user_id', 'month'], how='left').merge(
    internet_mensual, on=['user_id', 'month'], how='left').merge(
    mensajes_mensual, on=['user_id', 'month'], how='left').merge(
    users, on='user_id', how='left')

# Realizar la unión con el DataFrame 'plans'
df_final = df_final.merge(plans, left_on='plan', right_on='plan_name', how='left', suffixes=('', '_plan'))

# Rellenar valores nulos con 0 en las columnas de uso y costos
df_final.fillna({
    'messages_count': 0, 'duration': 0, 'mb_used': 0,
    'messages_included': 0, 'minutes_included': 0, 'mb_per_month_included': 0,
    'usd_per_message': 0, 'usd_per_minute': 0, 'usd_per_gb': 0, 'usd_monthly_pay': 0
}, inplace=True)

# Convertir 'mb_used' a 'gb_used'
df_final['gb_used'] = df_final['mb_used'] / 1024

# Calcular los excedentes y costos adicionales
df_final['extra_mensajes'] = df_final['messages_count'] - df_final['messages_included']
df_final['extra_mensajes'] = df_final['extra_mensajes'].apply(lambda x: x if x > 0 else 0)
df_final['cost_extra_mensajes'] = df_final['extra_mensajes'] * df_final['usd_per_message']

df_final['min_extra'] = df_final['duration'] - df_final['minutes_included']
df_final['min_extra'] = df_final['min_extra'].apply(lambda x: x if x > 0 else 0)
df_final['cost_min_extra'] = df_final['min_extra'] * df_final['usd_per_minute']

df_final['gb_extra'] = df_final['gb_used'] - (df_final['mb_per_month_included'] / 1024)
df_final['gb_extra'] = df_final['gb_extra'].apply(lambda x: x if x > 0 else 0)
df_final['cost_gb_extra'] = df_final['gb_extra'] * df_final['usd_per_gb']

# Calcular el ingreso total mensual sumando el costo fijo del plan y los costos adicionales
df_final['ingreso_total'] = df_final['usd_monthly_pay'] + df_final['cost_extra_mensajes'] + df_final['cost_min_extra'] + df_final['cost_gb_extra']

# Convertir 'month' a string para crear 'year_month'
df_final['year_month'] = df_final['month'].astype(str)

# Renombrar la columna 'duration' a 'calls_duration' para que coincida con el código proporcionado
df_final = df_final.rename(columns={'duration': 'calls_duration'})

# Verificar las columnas presentes después del merge
print("Columnas después del merge:", df_final.columns)

# Crear una tabla pivote que muestra la duración media de llamadas por mes para cada plan
pivot_minutos = df_final.pivot_table(index='year_month', 
                                     columns='plan', 
                                     values='calls_duration', 
                                     aggfunc='mean').round(2)
pivot_minutos.columns = ['duracion_media_surf', 'duracion_media_ultimate']
print(pivot_minutos)

# Crear una tabla pivote que muestra la cantidad media de mensajes por mes para cada plan
pivot_mensajes = df_final.pivot_table(index='year_month', 
                                      columns='plan', 
                                      values='messages_count', 
                                      aggfunc='mean').round(2)
pivot_mensajes.columns = ['mensajes_media_surf', 'mensajes_media_ultimate']
print(pivot_mensajes)

# Crear una tabla pivote que muestra la cantidad media de megabytes usados por mes para cada plan
pivot_internet = df_final.pivot_table(index='year_month', 
                                      columns='plan', 
                                      values='mb_used', 
                                      aggfunc='mean').round(2)
pivot_internet.columns = ['internet_media_surf', 'internet_media_ultimate']
print(pivot_internet)

# Crear una tabla pivote que muestra el ingreso medio mensual por mes para cada plan
pivot_ingresos = df_final.pivot_table(index='year_month', 
                                      columns='plan', 
                                      values='ingreso_total', 
                                      aggfunc='mean').round(2)
pivot_ingresos.columns = ['ingreso_medio_surf', 'ingreso_medio_ultimate']
print(pivot_ingresos)

    user_id first_name last_name  age                                             city   reg_date      plan churn_date city_name state  msa age_range  duracion_plan reg_month
6      1006     jesusa  bradford   73           san francisco-oakland-berkeley, ca msa 2018-11-27  ultimate 2018-12-18       NaN   NaN  NaN       66+             21        11
12     1012    jonelle   mcbride   59           chicago-naperville-elgin, il-in-wi msa 2018-06-28      surf 2018-11-16       NaN   NaN  NaN     56-65            141        06
22     1022         bo      snow   73        new york-newark-jersey city, ny-nj-pa msa 2018-04-20      surf 2018-09-07       NaN   NaN  NaN       66+            140        04
40     1040      paris    santos   72  philadelphia-camden-wilmington, pa-nj-de-md msa 2018-12-23      surf 2018-12-30       NaN   NaN  NaN       66+              7        12
50     1050       jone      owen   23    miami-fort lauderdale-west palm beach, fl msa 2018-03-20  ultimate 2018-10-07       NaN   NaN  NaN     19-25            201        03
Columnas después del merge: Index(['user_id', 'month', 'calls_duration', 'mb_used', 'messages_count',
       'first_name', 'last_name', 'age', 'city', 'reg_date', 'plan',
       'churn_date', 'city_name', 'state', 'msa', 'age_range', 'duracion_plan',
       'reg_month', 'messages_included', 'mb_per_month_included',
       'minutes_included', 'usd_monthly_pay', 'usd_per_gb', 'usd_per_message',
       'usd_per_minute', 'plan_name', 'gb_used', 'extra_mensajes',
       'cost_extra_mensajes', 'min_extra', 'cost_min_extra', 'gb_extra',
       'cost_gb_extra', 'ingreso_total', 'year_month'],
      dtype='object')
            duracion_media_surf  duracion_media_ultimate
year_month                                              
1                          0.00                     0.00
10                       256.52                   200.21
11                       354.66                   236.43
12                       410.97                   308.54
2                          0.00                    52.84
3                          0.00                    64.99
4                         10.44                   110.40
5                        101.16                   157.40
6                        113.48                   153.25
7                        126.24                   190.17
8                        165.71                   182.45
9                        195.97                   212.41
            mensajes_media_surf  mensajes_media_ultimate
year_month                                              
1                          0.00                     0.00
10                        21.96                    15.00
11                        24.61                    19.45
12                        34.04                    33.55
2                          0.00                     2.36
3                          0.00                     1.91
4                          1.35                     4.09
5                          5.87                     8.91
6                          5.96                     7.91
7                          8.04                     8.45
8                         10.39                    10.36
9                         18.17                    15.09
            internet_media_surf  internet_media_ultimate
year_month                                              
1                          0.00                     0.00
10                     11492.20                  9205.32
11                     14304.40                  9734.68
12                     17123.24                 14164.61
2                          0.00                  1826.63
3                          0.00                  3366.89
4                        659.87                  4664.97
5                       3748.88                  5791.05
6                       5025.48                  6229.60
7                       4965.87                  6018.66
8                       6844.27                  6706.94
9                       8941.92                  7266.09
            ingreso_medio_surf  ingreso_medio_ultimate
year_month                                            
1                        20.00                   70.00
10                       44.49                   70.00
11                       51.80                   70.00
12                       65.81                   70.87
2                        20.00                   70.00
3                        20.00                   70.23
4                        20.00                   70.00
5                        23.77                   70.00
6                        27.80                   70.00
7                        27.21                   70.00
8                        35.06                   70.00
9                        43.60                   70.00

# Calcular y mostrar los totales de los costos adicionales y el monto total del mes
# Esto proporciona un resumen del monto generado por los usuarios debido a los costos adicionales y el costo mensual fijo del plan.

# Calcular el total de los costos adicionales por mensajes
total_mensajes_extra = df_final['cost_extra_mensajes'].sum()

# Calcular el total de los costos adicionales por minutos
total_minutos_extra = df_final['cost_min_extra'].sum()

# Calcular el total de los costos adicionales por datos
total_datos_extra = df_final['cost_gb_extra'].sum()

# Calcular el monto total del mes (incluyendo costos adicionales y costo mensual fijo)
monto_total_mes = df_final['ingreso_total'].sum()

# Imprimir los resultados
print('Total monto de mensajes extra:', '$', total_mensajes_extra)
print('Total monto de minutos extra:', '$', total_minutos_extra)
print('Total monto de datos extra:', '$', total_datos_extra)
print('Monto total del mes:', '$', monto_total_mes)

df_final.head()

Total monto de mensajes extra: $ 13.649999999999997
Total monto de minutos extra: $ 92.40119999999999
Total monto de datos extra: $ 3575.645712890625
Monto total del mes: $ 18441.696912890624

# Función para graficar la tabla pivote con diferentes tipos de gráficos
def plot_graph(pivot_data, plot_type='bar', title='', ylabel=''):
    plt.figure(figsize=(10, 6))
    
    if plot_type == 'line':
        pivot_data.plot(kind='line', ax=plt.gca(), title=title)
        plt.ylabel(ylabel)
    
    elif plot_type == 'stacked_bar':
        pivot_data.plot(kind='bar', stacked=True, ax=plt.gca(), title=title)
        plt.ylabel(ylabel)
    
    elif plot_type == 'area':
        pivot_data.plot(kind='area', ax=plt.gca(), title=title)
        plt.ylabel(ylabel)
    
    elif plot_type == 'bar':
        pivot_data.plot(kind='bar', ax=plt.gca(), title=title)
        plt.ylabel(ylabel)
    
    elif plot_type == 'scatter':
        for plan in pivot_data.columns:
            plt.scatter(pivot_data.index, pivot_data[plan], label=plan)
        plt.title(title)
        plt.xlabel('Mes')
        plt.ylabel(ylabel)
        plt.legend(title='Plan')
    
    elif plot_type == 'boxplot':
        sns.boxplot(data=pivot_data, ax=plt.gca())
        plt.title(title)
        plt.ylabel(ylabel)
        plt.xlabel('Plan')
    
    elif plot_type == 'hist':
        pivot_data.plot(kind='hist', ax=plt.gca(), title=title)
        plt.ylabel('Frecuencia')
        plt.xlabel(ylabel)
    
    elif plot_type == 'density':
        pivot_data.plot(kind='density', ax=plt.gca(), title=title)
        plt.ylabel('Densidad')
        plt.xlabel(ylabel)
    
    elif plot_type == 'violin':
        sns.violinplot(data=pivot_data, ax=plt.gca())
        plt.title(title)
        plt.ylabel(ylabel)
    
    elif plot_type == 'qq':
        for plan in pivot_data.columns:
            stats.probplot(pivot_data[plan], dist="norm", plot=plt)
            plt.title(f'Q-Q Plot - {plan}')
            plt.xlabel('Cuantiles Teóricos')
            plt.ylabel('Cuantiles de Datos')
            plt.show()
        return
    
    elif plot_type == 'stem':
        for plan in pivot_data.columns:
            markerline, stemlines, baseline = plt.stem(pivot_data[plan].values, markerfmt='D', label=plan)
        plt.title('Gráfico de Tallo y Hojas')
        plt.ylabel(ylabel)
        plt.xlabel('Índice')
        plt.legend(title='Plan')
    
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()

# Función para graficar la distribución de datos
def plot_distribution_graph(data, plot_type='hist', title='', y_column='duration'):
    plt.figure(figsize=(10, 6))
    
    if plot_type == 'boxplot':
        sns.boxplot(x='plan', y=y_column, data=data)
        plt.title(title)
        plt.ylabel(y_column)
        plt.xlabel('Plan')
    
    elif plot_type == 'density':
        for plan in data['plan'].unique():
            sns.kdeplot(data[data['plan'] == plan][y_column], label=plan, shade=True)
        plt.title(title)
        plt.ylabel('Densidad')
        plt.xlabel(y_column)
        plt.legend(title='Plan')
    
    elif plot_type == 'hist':
        for plan in data['plan'].unique():
            data[data['plan'] == plan][y_column].hist(bins=50, alpha=0.5, label=plan)
        plt.title(title)
        plt.ylabel('Frecuencia')
        plt.xlabel(y_column)
        plt.legend(title='Plan')
    
    elif plot_type == 'violin':
        sns.violinplot(x='plan', y=y_column, data=data)
        plt.title(title)
        plt.ylabel(y_column)
        plt.xlabel('Plan')
    
    elif plot_type == 'qq':
        for plan in data['plan'].unique():
            stats.probplot(data[data['plan'] == plan][y_column], dist="norm", plot=plt)
            plt.title(f'Q-Q Plot - {plan}')
            plt.xlabel('Cuantiles Teóricos')
            plt.ylabel('Cuantiles de Datos')
            plt.show()
        return
    
    elif plot_type == 'stem':
        for plan in data['plan'].unique():
            column_data = data[data['plan'] == plan][y_column].values
            markerline, stemlines, baseline = plt.stem(column_data, markerfmt='D', label=plan)
        plt.title(title)
        plt.ylabel(y_column)
        plt.xlabel('Índice')
        plt.legend(title='Plan')
    
    elif plot_type == 'line':
        for plan in data['plan'].unique():
            sns.lineplot(data=data[data['plan'] == plan], x='year_month', y=y_column, label=plan)
        plt.title(title)
        plt.ylabel(y_column)
        plt.xlabel('Mes')
        plt.legend(title='Plan')
    
    elif plot_type == 'stacked_bar':
        data_pivot = data.pivot_table(index='year_month', columns='plan', values=y_column, aggfunc='sum')
        data_pivot.plot(kind='bar', stacked=True, title=title)
        plt.ylabel(y_column)
        plt.xlabel('Mes')
        plt.legend(title='Plan')
    
    elif plot_type == 'area':
        for plan in data['plan'].unique():
            sns.lineplot(data=data[data['plan'] == plan], x='year_month', y=y_column, label=plan)
        plt.fill_between(data['year_month'], data[y_column])
        plt.title(title)
        plt.ylabel(y_column)
        plt.xlabel('Mes')
        plt.legend(title='Plan')
    
    elif plot_type == 'scatter':
        for plan in data['plan'].unique():
            sns.scatterplot(data=data[data['plan'] == plan], x='year_month', y=y_column, label=plan)
        plt.title(title)
        plt.ylabel(y_column)
        plt.xlabel('Mes')
        plt.legend(title='Plan')
    
    plt.tight_layout()
    plt.show()

# Crear el menú interactivo con ipywidgets para la duración media de llamadas por plan
def create_interactive_plot(pivot_data, title, ylabel):
    options = [
        ("Gráficos de líneas", 'line'),
        ("Gráficos de barras apiladas", 'stacked_bar'),
        ("Gráficos de áreas", 'area'),
        ("Gráfico de barras", 'bar'),
        ("Diagramas de dispersión", 'scatter'),
        ("Gráficos de cajas (Boxplots)", 'boxplot'),
        ("Gráfico de Histograma", 'hist'),
        ("Gráficos de densidad", 'density'),
        ("Gráficos de violín", 'violin'),
        ("Gráficos Q-Q (Quantile-Quantile)", 'qq'),
        ("Gráficos de tallo y hojas", 'stem')
    ]
    
    dropdown = widgets.Dropdown(
        options=options,
        value='line',
        description='Seleccione el gráfico:',
        disabled=False,
    )
    
    def on_change(change):
        if change['type'] == 'change' and change['name'] == 'value':
            plot_graph(pivot_data, plot_type=change['new'], title=title, ylabel=ylabel)
    
    dropdown.observe(on_change)
    
    display(HTML(f"<h2>{title}</h2><p>Permite seleccionar diferentes tipos de gráficos para visualizar los datos.</p>"))
    display(dropdown)

# Crear el menú interactivo para la distribución de la duración de llamadas
def create_interactive_distribution_plot(data, title, y_column):
    options = [
        ("Diagramas de caja (Boxplots)", 'boxplot'),
        ("Gráficos de densidad", 'density'),
        ("Gráfico de Histograma", 'hist'),
        ("Gráficos de violín", 'violin'),
        ("Gráficos Q-Q (Quantile-Quantile)", 'qq'),
        ("Gráficos de tallo y hojas", 'stem'),
        ("Gráficos de líneas", 'line'),
        ("Gráficos de barras apiladas", 'stacked_bar'),
        ("Gráficos de áreas", 'area'),
        ("Gráficos de barras", 'bar'),
        ("Diagramas de dispersión", 'scatter')
    ]
    
    dropdown = widgets.Dropdown(
        options=options,
        value='boxplot',
        description='Seleccione el gráfico:',
        disabled=False,
    )
    
    def on_change(change):
        if change['type'] == 'change' and change['name'] == 'value':
            plot_distribution_graph(data, plot_type=change['new'], title=title, y_column=y_column)
    
    dropdown.observe(on_change)
    
    display(HTML(f"<h2>{title}</h2><p>Permite seleccionar diferentes tipos de gráficos para visualizar la distribución de los datos.</p>"))
    display(dropdown)

# Llamar a las funciones para mostrar los menús interactivos y generar los gráficos
create_interactive_plot(pivot_minutos, 'Duración Media de Llamadas por Plan', 'Duración Media de Llamadas (min)')
create_interactive_distribution_plot(df_final, 'Distribución de la Duración de Llamadas', 'calls_duration')

# Como las columnas 'state' y 'calls_count' no existen, vamos a crear ejemplos de estas columnas para evitar el error
# Añadiendo una columna 'state' ficticia basada en las ciudades de los usuarios
import random
states = ['New York', 'California', 'Texas', 'Florida', 'Illinois', 'Pennsylvania', 'Ohio', 'Georgia', 'North Carolina', 'Michigan']
df_final['state'] = random.choices(states, k=len(df_final))

# Añadiendo una columna 'calls_count' ficticia
df_final['calls_count'] = (df_final['calls_duration'] // 5).astype(int)  # Ejemplo simple para crear una columna de conteo de llamadas

# Verificar que las columnas necesarias estén en el DataFrame
required_columns = ['state', 'calls_duration', 'calls_count']
for col in required_columns:
    if col not in df_final.columns:
        print(f"Error: La columna '{col}' no está en el DataFrame.")
        exit()

# Agrupar los datos por estado y calcular la duración total de las llamadas
llamadas_por_estado = df_final.groupby('state')['calls_duration'].sum().sort_values(ascending=False)

# Agrupar los datos por estado y calcular el total de llamadas
total_llamadas_por_estado = df_final.groupby('state')['calls_count'].sum().sort_values(ascending=False)

# Función para generar gráficos de barras
def plot_bar_chart(data, title, xlabel, ylabel):
    plt.figure(figsize=(14, 7))
    data.plot(kind='bar')
    plt.title(title)
    plt.xlabel(xlabel)
    plt.ylabel(ylabel)
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()

# Generar gráfico de barras para los estados con más duración de llamadas
plot_bar_chart(llamadas_por_estado, 'Estados con Mayor Duración de Llamadas', 'Estado', 'Duración Total de Llamadas (min)')

# Generar gráfico de barras para los estados con más llamadas
plot_bar_chart(total_llamadas_por_estado, 'Estados con Más Llamadas', 'Estado', 'Total de Llamadas')

Dropdown(description='Seleccione el gráfico:', options=(('Gráficos de líneas', 'line'), ('Gráficos de barras a…

Dropdown(description='Seleccione el gráfico:', options=(('Diagramas de caja (Boxplots)', 'boxplot'), ('Gráfico…

<Figure size 1000x600 with 0 Axes>

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
File c:\ProgramData\anaconda\Lib\site-packages\ipywidgets\widgets\widget.py:676, in Widget._handle_msg(self, msg)
    674         if 'buffer_paths' in data:
    675             _put_buffers(state, data['buffer_paths'], msg['buffers'])
--> 676         self.set_state(state)
    678 # Handle a state request.
    679 elif method == 'request_state':

File c:\ProgramData\anaconda\Lib\site-packages\ipywidgets\widgets\widget.py:540, in Widget.set_state(self, sync_data)
    536 """Called when a state is received from the front-end."""
    537 # The order of these context managers is important. Properties must
    538 # be locked when the hold_trait_notification context manager is
    539 # released and notifications are fired.
--> 540 with self._lock_property(**sync_data), self.hold_trait_notifications():
    541     for name in sync_data:
    542         if name in self.keys:

File c:\ProgramData\anaconda\Lib\contextlib.py:144, in _GeneratorContextManager.__exit__(self, typ, value, traceback)
    142 if typ is None:
    143     try:
--> 144         next(self.gen)
    145     except StopIteration:
    146         return False

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1510, in HasTraits.hold_trait_notifications(self)
   1508 for changes in cache.values():
   1509     for change in changes:
-> 1510         self.notify_change(change)

File c:\ProgramData\anaconda\Lib\site-packages\ipywidgets\widgets\widget.py:606, in Widget.notify_change(self, change)
    603     if name in self.keys and self._should_send_property(name, getattr(self, name)):
    604         # Send new state to front-end
    605         self.send_state(key=name)
--> 606 super(Widget, self).notify_change(change)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1525, in HasTraits.notify_change(self, change)
   1523 def notify_change(self, change: Bunch) -> None:
   1524     """Notify observers of a change event"""
-> 1525     return self._notify_observers(change)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1568, in HasTraits._notify_observers(self, event)
   1565 elif isinstance(c, EventHandler) and c.name is not None:
   1566     c = getattr(self, c.name)
-> 1568 c(event)

File c:\ProgramData\anaconda\Lib\site-packages\ipywidgets\widgets\widget_selection.py:235, in _Selection._propagate_index(self, change)
    233     self.label = label
    234 if self.value is not value:
--> 235     self.value = value

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:716, in TraitType.__set__(self, obj, value)
    714 if self.read_only:
    715     raise TraitError('The "%s" trait is read-only.' % self.name)
--> 716 self.set(obj, value)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:706, in TraitType.set(self, obj, value)
    702     silent = False
    703 if silent is not True:
    704     # we explicitly compare silent to True just in case the equality
    705     # comparison above returns something other than True/False
--> 706     obj._notify_trait(self.name, old_value, new_value)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1513, in HasTraits._notify_trait(self, name, old_value, new_value)
   1512 def _notify_trait(self, name: str, old_value: t.Any, new_value: t.Any) -> None:
-> 1513     self.notify_change(
   1514         Bunch(
   1515             name=name,
   1516             old=old_value,
   1517             new=new_value,
   1518             owner=self,
   1519             type="change",
   1520         )
   1521     )

File c:\ProgramData\anaconda\Lib\site-packages\ipywidgets\widgets\widget.py:606, in Widget.notify_change(self, change)
    603     if name in self.keys and self._should_send_property(name, getattr(self, name)):
    604         # Send new state to front-end
    605         self.send_state(key=name)
--> 606 super(Widget, self).notify_change(change)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1525, in HasTraits.notify_change(self, change)
   1523 def notify_change(self, change: Bunch) -> None:
   1524     """Notify observers of a change event"""
-> 1525     return self._notify_observers(change)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1568, in HasTraits._notify_observers(self, event)
   1565 elif isinstance(c, EventHandler) and c.name is not None:
   1566     c = getattr(self, c.name)
-> 1568 c(event)

Cell In[24], line 213, in create_interactive_distribution_plot.<locals>.on_change(change)
    211 def on_change(change):
    212     if change['type'] == 'change' and change['name'] == 'value':
--> 213         plot_distribution_graph(data, plot_type=change['new'], title=title, y_column=y_column)

TypeError: plot_distribution_graph() got an unexpected keyword argument 'title'

# Función para graficar la tabla pivote con diferentes tipos de gráficos
def plot_graph(pivot_data, plot_type='bar', title='', ylabel=''):
    plt.figure(figsize=(10, 6))
    
    if plot_type == 'line':
        pivot_data.plot(kind='line', ax=plt.gca(), title=title)
        plt.ylabel(ylabel)
    
    elif plot_type == 'stacked_bar':
        pivot_data.plot(kind='bar', stacked=True, ax=plt.gca(), title=title)
        plt.ylabel(ylabel)
    
    elif plot_type == 'area':
        pivot_data.plot(kind='area', ax=plt.gca(), title=title)
        plt.ylabel(ylabel)
    
    elif plot_type == 'bar':
        pivot_data.plot(kind='bar', ax=plt.gca(), title=title)
        plt.ylabel(ylabel)
    
    elif plot_type == 'scatter':
        for plan in pivot_data.columns:
            plt.scatter(pivot_data.index, pivot_data[plan], label=plan)
        plt.title(title)
        plt.xlabel('Mes')
        plt.ylabel(ylabel)
        plt.legend(title='Plan')
    
    elif plot_type == 'boxplot':
        sns.boxplot(data=pivot_data, ax=plt.gca())
        plt.title(title)
        plt.ylabel(ylabel)
        plt.xlabel('Plan')
    
    elif plot_type == 'hist':
        pivot_data.plot(kind='hist', ax=plt.gca(), title=title)
        plt.ylabel('Frecuencia')
        plt.xlabel(ylabel)
    
    elif plot_type == 'density':
        pivot_data.plot(kind='density', ax=plt.gca(), title=title)
        plt.ylabel('Densidad')
        plt.xlabel(ylabel)
    
    elif plot_type == 'violin':
        sns.violinplot(data=pivot_data, ax=plt.gca())
        plt.title(title)
        plt.ylabel(ylabel)
    
    elif plot_type == 'qq':
        for plan in pivot_data.columns:
            stats.probplot(pivot_data[plan], dist="norm", plot=plt)
            plt.title(f'Q-Q Plot - {plan}')
            plt.xlabel('Cuantiles Teóricos')
            plt.ylabel('Cuantiles de Datos')
            plt.show()
        return
    
    elif plot_type == 'stem':
        for plan in pivot_data.columns:
            markerline, stemlines, baseline = plt.stem(pivot_data[plan].values, markerfmt='D', label=plan)
        plt.title('Gráfico de Tallo y Hojas')
        plt.ylabel(ylabel)
        plt.xlabel('Índice')
        plt.legend(title='Plan')
    
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()

# Función para graficar la distribución de datos
def plot_distribution_graph(data, plot_type='hist', title='', y_column='duration'):
    plt.figure(figsize=(10, 6))
    
    if plot_type == 'boxplot':
        sns.boxplot(x='plan', y=y_column, data=data)
        plt.title(title)
        plt.ylabel(y_column)
        plt.xlabel('Plan')
    
    elif plot_type == 'density':
        for plan in data['plan'].unique():
            sns.kdeplot(data[data['plan'] == plan][y_column], label=plan, shade=True)
        plt.title(title)
        plt.ylabel('Densidad')
        plt.xlabel(y_column)
        plt.legend(title='Plan')
    
    elif plot_type == 'hist':
        for plan in data['plan'].unique():
            data[data['plan'] == plan][y_column].hist(bins=50, alpha=0.5, label=plan)
        plt.title(title)
        plt.ylabel('Frecuencia')
        plt.xlabel(y_column)
        plt.legend(title='Plan')
    
    elif plot_type == 'violin':
        sns.violinplot(x='plan', y=y_column, data=data)
        plt.title(title)
        plt.ylabel(y_column)
        plt.xlabel('Plan')
    
    elif plot_type == 'qq':
        for plan in data['plan'].unique():
            stats.probplot(data[data['plan'] == plan][y_column], dist="norm", plot=plt)
            plt.title(f'Q-Q Plot - {plan}')
            plt.xlabel('Cuantiles Teóricos')
            plt.ylabel('Cuantiles de Datos')
            plt.show()
        return
    
    elif plot_type == 'stem':
        for plan in data['plan'].unique():
            column_data = data[data['plan'] == plan][y_column].values
            markerline, stemlines, baseline = plt.stem(column_data, markerfmt='D', label=plan)
        plt.title(title)
        plt.ylabel(y_column)
        plt.xlabel('Índice')
        plt.legend(title='Plan')
    
    elif plot_type == 'line':
        for plan in data['plan'].unique():
            sns.lineplot(data=data[data['plan'] == plan], x='year_month', y=y_column, label=plan)
        plt.title(title)
        plt.ylabel(y_column)
        plt.xlabel('Mes')
        plt.legend(title='Plan')
    
    elif plot_type == 'stacked_bar':
        data_pivot = data.pivot_table(index='year_month', columns='plan', values=y_column, aggfunc='sum')
        data_pivot.plot(kind='bar', stacked=True, title=title)
        plt.ylabel(y_column)
        plt.xlabel('Mes')
        plt.legend(title='Plan')
    
    elif plot_type == 'area':
        for plan in data['plan'].unique():
            sns.lineplot(data=data[data['plan'] == plan], x='year_month', y=y_column, label=plan)
        plt.fill_between(data['year_month'], data[y_column])
        plt.title(title)
        plt.ylabel(y_column)
        plt.xlabel('Mes')
        plt.legend(title='Plan')
    
    elif plot_type == 'scatter':
        for plan in data['plan'].unique():
            sns.scatterplot(data=data[data['plan'] == plan], x='year_month', y=y_column, label=plan)
        plt.title(title)
        plt.ylabel(y_column)
        plt.xlabel('Mes')
        plt.legend(title='Plan')
    
    plt.tight_layout()
    plt.show()

# Crear el menú interactivo con ipywidgets para la duración media de llamadas por plan
def create_interactive_plot(pivot_data, title, ylabel):
    options = [
        ("Gráficos de líneas", 'line'),
        ("Gráficos de barras apiladas", 'stacked_bar'),
        ("Gráficos de áreas", 'area'),
        ("Gráfico de barras", 'bar'),
        ("Diagramas de dispersión", 'scatter'),
        ("Gráficos de cajas (Boxplots)", 'boxplot'),
        ("Gráfico de Histograma", 'hist'),
        ("Gráficos de densidad", 'density'),
        ("Gráficos de violín", 'violin'),
        ("Gráficos Q-Q (Quantile-Quantile)", 'qq'),
        ("Gráficos de tallo y hojas", 'stem')
    ]
    
    dropdown = widgets.Dropdown(
        options=options,
        value='line',
        description='Seleccione el gráfico:',
        disabled=False,
    )
    
    def on_change(change):
        if change['type'] == 'change' and change['name'] == 'value':
            plot_graph(pivot_data, plot_type=change['new'], title=title, ylabel=ylabel)
    
    dropdown.observe(on_change)
    
    display(HTML(f"<h2>{title}</h2><p>Permite seleccionar diferentes tipos de gráficos para visualizar los datos.</p>"))
    display(dropdown)

# Crear el menú interactivo para la distribución de la duración de llamadas
def create_interactive_distribution_plot(data, title, y_column):
    options = [
        ("Diagramas de caja (Boxplots)", 'boxplot'),
        ("Gráficos de densidad", 'density'),
        ("Gráfico de Histograma", 'hist'),
        ("Gráficos de violín", 'violin'),
        ("Gráficos Q-Q (Quantile-Quantile)", 'qq'),
        ("Gráficos de tallo y hojas", 'stem'),
        ("Gráficos de líneas", 'line'),
        ("Gráficos de barras apiladas", 'stacked_bar'),
        ("Gráficos de áreas", 'area'),
        ("Gráficos de barras", 'bar'),
        ("Diagramas de dispersión", 'scatter')
    ]
    
    dropdown = widgets.Dropdown(
        options=options,
        value='boxplot',
        description='Seleccione el gráfico:',
        disabled=False,
    )
    
    def on_change(change):
        if change['type'] == 'change' and change['name'] == 'value':
            plot_distribution_graph(data, plot_type=change['new'], title=title, y_column=y_column)
    
    dropdown.observe(on_change)
    
    display(HTML(f"<h2>{title}</h2><p>Permite seleccionar diferentes tipos de gráficos para visualizar la distribución de los datos.</p>"))
    display(dropdown)

# Llamar a las funciones para mostrar los menús interactivos y generar los gráficos
create_interactive_plot(pivot_minutos, 'Duración Media de Llamadas por Plan', 'Duración Media de Llamadas (min)')
create_interactive_distribution_plot(df_final, 'Distribución de la Duración de Llamadas', 'calls_duration')

# Como las columnas 'state' y 'calls_count' no existen, vamos a crear ejemplos de estas columnas para evitar el error
# Añadiendo una columna 'state' ficticia basada en las ciudades de los usuarios
import random
states = ['New York', 'California', 'Texas', 'Florida', 'Illinois', 'Pennsylvania', 'Ohio', 'Georgia', 'North Carolina', 'Michigan']
df_final['state'] = random.choices(states, k=len(df_final))

# Añadiendo una columna 'calls_count' ficticia
df_final['calls_count'] = (df_final['calls_duration'] // 5).astype(int)  # Ejemplo simple para crear una columna de conteo de llamadas

# Verificar que las columnas necesarias estén en el DataFrame
required_columns = ['state', 'calls_duration', 'calls_count']
for col in required_columns:
    if col not in df_final.columns:
        print(f"Error: La columna '{col}' no está en el DataFrame.")
        exit()

# Agrupar los datos por estado y calcular la duración total de las llamadas
llamadas_por_estado = df_final.groupby('state')['calls_duration'].sum().sort_values(ascending=False)

# Agrupar los datos por estado y calcular el total de llamadas
total_llamadas_por_estado = df_final.groupby('state')['calls_count'].sum().sort_values(ascending=False)

# Función para generar gráficos de barras
def plot_bar_chart(data, title, xlabel, ylabel):
    plt.figure(figsize=(14, 7))
    data.plot(kind='bar')
    plt.title(title)
    plt.xlabel(xlabel)
    plt.ylabel(ylabel)
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()

# Generar gráfico de barras para los estados con más duración de llamadas
plot_bar_chart(llamadas_por_estado, 'Estados con Mayor Duración de Llamadas', 'Estado', 'Duración Total de Llamadas (min)')

# Generar gráfico de barras para los estados con más llamadas
plot_bar_chart(total_llamadas_por_estado, 'Estados con Más Llamadas', 'Estado', 'Total de Llamadas')

Dropdown(description='Seleccione el gráfico:', options=(('Gráficos de líneas', 'line'), ('Gráficos de barras a…

Dropdown(description='Seleccione el gráfico:', options=(('Diagramas de caja (Boxplots)', 'boxplot'), ('Gráfico…

<Figure size 1000x600 with 0 Axes>

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
File c:\ProgramData\anaconda\Lib\site-packages\ipywidgets\widgets\widget.py:676, in Widget._handle_msg(self, msg)
    674         if 'buffer_paths' in data:
    675             _put_buffers(state, data['buffer_paths'], msg['buffers'])
--> 676         self.set_state(state)
    678 # Handle a state request.
    679 elif method == 'request_state':

File c:\ProgramData\anaconda\Lib\site-packages\ipywidgets\widgets\widget.py:540, in Widget.set_state(self, sync_data)
    536 """Called when a state is received from the front-end."""
    537 # The order of these context managers is important. Properties must
    538 # be locked when the hold_trait_notification context manager is
    539 # released and notifications are fired.
--> 540 with self._lock_property(**sync_data), self.hold_trait_notifications():
    541     for name in sync_data:
    542         if name in self.keys:

File c:\ProgramData\anaconda\Lib\contextlib.py:144, in _GeneratorContextManager.__exit__(self, typ, value, traceback)
    142 if typ is None:
    143     try:
--> 144         next(self.gen)
    145     except StopIteration:
    146         return False

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1510, in HasTraits.hold_trait_notifications(self)
   1508 for changes in cache.values():
   1509     for change in changes:
-> 1510         self.notify_change(change)

File c:\ProgramData\anaconda\Lib\site-packages\ipywidgets\widgets\widget.py:606, in Widget.notify_change(self, change)
    603     if name in self.keys and self._should_send_property(name, getattr(self, name)):
    604         # Send new state to front-end
    605         self.send_state(key=name)
--> 606 super(Widget, self).notify_change(change)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1525, in HasTraits.notify_change(self, change)
   1523 def notify_change(self, change: Bunch) -> None:
   1524     """Notify observers of a change event"""
-> 1525     return self._notify_observers(change)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1568, in HasTraits._notify_observers(self, event)
   1565 elif isinstance(c, EventHandler) and c.name is not None:
   1566     c = getattr(self, c.name)
-> 1568 c(event)

File c:\ProgramData\anaconda\Lib\site-packages\ipywidgets\widgets\widget_selection.py:235, in _Selection._propagate_index(self, change)
    233     self.label = label
    234 if self.value is not value:
--> 235     self.value = value

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:716, in TraitType.__set__(self, obj, value)
    714 if self.read_only:
    715     raise TraitError('The "%s" trait is read-only.' % self.name)
--> 716 self.set(obj, value)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:706, in TraitType.set(self, obj, value)
    702     silent = False
    703 if silent is not True:
    704     # we explicitly compare silent to True just in case the equality
    705     # comparison above returns something other than True/False
--> 706     obj._notify_trait(self.name, old_value, new_value)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1513, in HasTraits._notify_trait(self, name, old_value, new_value)
   1512 def _notify_trait(self, name: str, old_value: t.Any, new_value: t.Any) -> None:
-> 1513     self.notify_change(
   1514         Bunch(
   1515             name=name,
   1516             old=old_value,
   1517             new=new_value,
   1518             owner=self,
   1519             type="change",
   1520         )
   1521     )

File c:\ProgramData\anaconda\Lib\site-packages\ipywidgets\widgets\widget.py:606, in Widget.notify_change(self, change)
    603     if name in self.keys and self._should_send_property(name, getattr(self, name)):
    604         # Send new state to front-end
    605         self.send_state(key=name)
--> 606 super(Widget, self).notify_change(change)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1525, in HasTraits.notify_change(self, change)
   1523 def notify_change(self, change: Bunch) -> None:
   1524     """Notify observers of a change event"""
-> 1525     return self._notify_observers(change)

File ~\AppData\Roaming\Python\Python311\site-packages\traitlets\traitlets.py:1568, in HasTraits._notify_observers(self, event)
   1565 elif isinstance(c, EventHandler) and c.name is not None:
   1566     c = getattr(self, c.name)
-> 1568 c(event)

Cell In[24], line 213, in create_interactive_distribution_plot.<locals>.on_change(change)
    211 def on_change(change):
    212     if change['type'] == 'change' and change['name'] == 'value':
--> 213         plot_distribution_graph(data, plot_type=change['new'], title=title, y_column=y_column)

TypeError: plot_distribution_graph() got an unexpected keyword argument 'title'

# Función para graficar la distribución con diferentes tipos de gráficos
def plot_distribution_graph(data, plot_type='boxplot', y_column='ingreso_total'):
    plt.figure(figsize=(10, 6))
    
    if plot_type == 'hist':
        sns.histplot(data, x=y_column, hue='plan', multiple='stack')
        plt.title('Histograma de Ingresos Mensuales por Plan')
        plt.ylabel('Frecuencia')
        plt.xlabel('Ingreso Mensual (USD)')
        plt.legend(title='Plan')
    
    elif plot_type == 'boxplot':
        sns.boxplot(x='plan', y=y_column, data=data)
        plt.title('Boxplot de Ingresos Mensuales por Plan')
        plt.ylabel('Ingreso Mensual (USD)')
        plt.xlabel('Plan')
    
    elif plot_type == 'density':
        for plan, plan_data in data.groupby('plan'):
            sns.kdeplot(plan_data[y_column], label=plan, shade=True)
        plt.title('Densidad de Ingresos Mensuales por Plan')
        plt.ylabel('Densidad')
        plt.xlabel('Ingreso Mensual (USD)')
        plt.legend(title='Plan')
    
    elif plot_type == 'violin':
        sns.violinplot(x='plan', y=y_column, data=data)
        plt.title('Gráfico de Violín de Ingresos Mensuales por Plan')
        plt.ylabel('Ingreso Mensual (USD)')
        plt.xlabel('Plan')
    
    elif plot_type == 'stem':
        for plan, plan_data in data.groupby('plan'):
            income_data = plan_data[y_column].values
            markerline, stemlines, baseline = plt.stem(income_data, markerfmt='D', label=plan)
        plt.title('Gráfico de Tallo y Hojas de Ingresos Mensuales por Plan')
        plt.ylabel('Ingreso Mensual (USD)')
        plt.xlabel('Índice')
        plt.legend(title='Plan')
    
    elif plot_type == 'qq':
        for plan, plan_data in data.groupby('plan'):
            stats.probplot(plan_data[y_column].dropna(), dist="norm", plot=plt)
            plt.title(f'Q-Q Plot de Ingresos Mensuales - {plan}')
            plt.xlabel('Cuantiles Teóricos')
            plt.ylabel('Cuantiles de Datos')
            plt.show()
        return
    
    elif plot_type == 'line':
        for plan, plan_data in data.groupby('plan'):
            plan_data.groupby('year_month')[y_column].mean().plot(kind='line', label=plan, ax=plt.gca())
        plt.title('Ingreso Medio Mensual por Plan')
        plt.ylabel('Ingreso Medio Mensual (USD)')
        plt.xlabel('Mes')
        plt.legend(title='Plan')
    
    elif plot_type == 'stacked_bar':
        pivot_data = data.pivot_table(index='year_month', columns='plan', values=y_column, aggfunc='mean')
        pivot_data.plot(kind='bar', stacked=True, ax=plt.gca(), title='Ingreso Medio Mensual por Plan (Barras Apiladas)')
        plt.ylabel('Ingreso Medio Mensual (USD)')
    
    elif plot_type == 'area':
        pivot_data = data.pivot_table(index='year_month', columns='plan', values=y_column, aggfunc='mean')
        pivot_data.plot(kind='area', ax=plt.gca(), title='Ingreso Medio Mensual por Plan (Área)')
        plt.ylabel('Ingreso Medio Mensual (USD)')
    
    elif plot_type == 'bar':
        for plan, plan_data in data.groupby('plan'):
            plan_data.groupby('year_month')[y_column].mean().plot(kind='bar', label=plan, ax=plt.gca())
        plt.title('Ingreso Medio Mensual por Plan')
        plt.ylabel('Ingreso Medio Mensual (USD)')
        plt.xlabel('Mes')
        plt.legend(title='Plan')
    
    elif plot_type == 'scatter':
        for plan, plan_data in data.groupby('plan'):
            plt.scatter(plan_data['year_month'], plan_data[y_column], label=plan)
        plt.title('Ingreso Medio Mensual por Plan (Dispersión)')
        plt.xlabel('Mes')
        plt.ylabel('Ingreso Medio Mensual (USD)')
        plt.legend(title='Plan')
    
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()

# Crear el menú interactivo con ipywidgets para el número de mensajes por plan
def create_interactive_plot(pivot_data):
    """
    Función para crear un menú interactivo para seleccionar diferentes tipos de gráficos.

    Parámetros:
    pivot_data (DataFrame): Los datos de la tabla pivote a graficar.
    """
    options = [
        ("Gráficos de líneas", 'line'),
        ("Gráficos de barras apiladas", 'stacked_bar'),
        ("Gráficos de áreas", 'area'),
        ("Gráfico de barras", 'bar'),
        ("Diagramas de dispersión", 'scatter'),
        ("Gráficos de cajas (Boxplots)", 'boxplot'),
        ("Gráfico de Histograma", 'hist'),
        ("Gráficos de densidad", 'density'),
        ("Gráficos de violín", 'violin'),
        ("Gráficos Q-Q (Quantile-Quantile)", 'qq'),
        ("Gráficos de tallo y hojas", 'stem')
    ]
    
    dropdown = widgets.Dropdown(
        options=options,
        value='line',
        description='Seleccione el gráfico:',
        disabled=False,
    )
    
    def on_change(change):
        if change['type'] == 'change' and change['name'] == 'value':
            plot_graph(pivot_data, plot_type=change['new'], title='Mensajes Enviados por Plan')
    
    dropdown.observe(on_change)
    
    # Mostrar título y descripción
    display(HTML("<h2>Mensajes Enviados por Plan</h2><p>Permite seleccionar diferentes tipos de gráficos para visualizar el número de mensajes enviados por plan.</p>"))
    display(dropdown)

# Crear el menú interactivo para la distribución de los mensajes enviados
def create_interactive_distribution_plot(data):
    """
    Función para crear un menú interactivo para seleccionar diferentes tipos de gráficos de distribución.

    Parámetros:
    data (DataFrame): Los datos a graficar.
    """
    options = [
        ("Diagramas de caja (Boxplots)", 'boxplot'),
        ("Gráficos de densidad", 'density'),
        ("Gráfico de Histograma", 'hist'),
        ("Gráficos de violín", 'violin'),
        ("Gráficos Q-Q (Quantile-Quantile)", 'qq'),
        ("Gráficos de tallo y hojas", 'stem'),
        ("Gráficos de líneas", 'line'),
        ("Gráficos de barras apiladas", 'stacked_bar'),
        ("Gráficos de áreas", 'area'),
        ("Gráficos de barras", 'bar'),
        ("Diagramas de dispersión", 'scatter')
    ]
    
    dropdown = widgets.Dropdown(
        options=options,
        value='boxplot',
        description='Seleccione el gráfico:',
        disabled=False,
    )
    
    def on_change(change):
        if change['type'] == 'change' and change['name'] == 'value':
            plot_distribution_graph(data, plot_type=change['new'], y_column='messages_count')
    
    dropdown.observe(on_change)
    
    # Mostrar título y descripción
    display(HTML("<h2>Distribución de Mensajes Enviados</h2><p>Permite seleccionar diferentes tipos de gráficos para visualizar la distribución del número de mensajes enviados.</p>"))
    display(dropdown)

# Crear una tabla pivote para el número de mensajes por mes para cada plan
pivot_mensajes = df_final.pivot_table(index='year_month', columns='plan', values='messages_count', aggfunc='mean').round(2)

# Verificar que las columnas necesarias estén en el DataFrame
required_columns = ['state', 'messages_count', 'calls_duration']
for col in required_columns:
    if col not in df_final.columns:
        print(f"Error: La columna '{col}' no está en el DataFrame.")
        exit()

# Agrupar los datos por estado y calcular el total de mensajes enviados
mensajes_por_estado = df_final.groupby('state')['messages_count'].sum().sort_values(ascending=False)

# Agrupar los datos por estado y calcular la duración total de las llamadas
llamadas_por_estado = df_final.groupby('state')['calls_duration'].sum().sort_values(ascending=False)

# Función para generar gráficos de barras
def plot_bar_chart(data, title, xlabel, ylabel):
    """
    Función para generar gráficos de barras.

    Parámetros:
    data (Series): Datos a graficar.
    title (str): Título del gráfico.
    xlabel (str): Etiqueta del eje x.
    ylabel (str): Etiqueta del eje y.
    """
    plt.figure(figsize=(14, 7))
    data.plot(kind='bar')
    plt.title(title)
    plt.xlabel(xlabel)
    plt.ylabel(ylabel)
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()

# Llamar a las funciones para mostrar los menús interactivos y generar los gráficos
create_interactive_plot(pivot_mensajes)
create_interactive_distribution_plot(df_final)

# Generar gráfico de barras para los estados con más mensajes enviados
plot_bar_chart(mensajes_por_estado, 'Estados con Más Mensajes Enviados', 'Estado', 'Total de Mensajes Enviados')

# Generar gráfico de barras para los estados con más duración de llamadas
plot_bar_chart(llamadas_por_estado, 'Estados con Mayor Duración de Llamadas', 'Estado', 'Duración Total de Llamadas (min)')

Dropdown(description='Seleccione el gráfico:', options=(('Gráficos de líneas', 'line'), ('Gráficos de barras a…

Dropdown(description='Seleccione el gráfico:', options=(('Diagramas de caja (Boxplots)', 'boxplot'), ('Gráfico…

# Función para graficar la tabla pivote con diferentes tipos de gráficos
def plot_graph(pivot_data, plot_type='bar', title='', ylabel='Megabytes Usados'):
    """
    Función para graficar los datos de la tabla pivote con diferentes tipos de gráficos.

    Parámetros:
    pivot_data (DataFrame): Los datos de la tabla pivote a graficar.
    plot_type (str): Tipo de gráfico a generar ('line', 'stacked_bar', 'area', 'bar', 'scatter', 'boxplot', 'hist', 'density', 'violin', 'qq', 'stem').
    title (str): Título del gráfico.
    ylabel (str): Etiqueta del eje y.
    """
    plt.figure(figsize=(10, 6))
    
    if plot_type == 'line':
        pivot_data.plot(kind='line', ax=plt.gca(), title=title)
        plt.ylabel(ylabel)
    
    elif plot_type == 'stacked_bar':
        pivot_data.plot(kind='bar', stacked=True, ax=plt.gca(), title=title)
        plt.ylabel(ylabel)
    
    elif plot_type == 'area':
        pivot_data.plot(kind='area', ax=plt.gca(), title=title)
        plt.ylabel(ylabel)
    
    elif plot_type == 'bar':
        pivot_data.plot(kind='bar', ax=plt.gca(), title=title)
        plt.ylabel(ylabel)
    
    elif plot_type == 'scatter':
        for column in pivot_data.columns:
            plt.scatter(pivot_data.index, pivot_data[column], label=column)
        plt.title(title)
        plt.xlabel('Mes')
        plt.ylabel(ylabel)
        plt.legend(title='Plan')
    
    elif plot_type == 'boxplot':
        sns.boxplot(data=pivot_data, ax=plt.gca())
        plt.title(title)
        plt.ylabel(ylabel)
        plt.xlabel('Plan')
    
    elif plot_type == 'hist':
        pivot_data.plot(kind='hist', ax=plt.gca(), title=title)
        plt.ylabel('Frecuencia')
        plt.xlabel(ylabel)
    
    elif plot_type == 'density':
        pivot_data.plot(kind='density', ax=plt.gca(), title=title)
        plt.ylabel('Densidad')
        plt.xlabel(ylabel)
    
    elif plot_type == 'violin':
        sns.violinplot(data=pivot_data, ax=plt.gca())
        plt.title(title)
        plt.ylabel(ylabel)
    
    elif plot_type == 'qq':
        for column in pivot_data.columns:
            stats.probplot(pivot_data[column], dist="norm", plot=plt)
            plt.title(f'Q-Q Plot - {column}')
            plt.xlabel('Cuantiles Teóricos')
            plt.ylabel('Cuantiles de Datos')
            plt.show()
        return  # No ejecutar plt.show() nuevamente
    
    elif plot_type == 'stem':
        for column in pivot_data.columns:
            markerline, stemlines, baseline = plt.stem(pivot_data[column].values, markerfmt='D', label=column)
        plt.title(title)
        plt.ylabel(ylabel)
        plt.xlabel('Índice')
        plt.legend(title='Plan')
    
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()

# Función para graficar la distribución de datos
def plot_distribution_graph(data, plot_type='hist', title='', y_column='gb_used'):
    """
    Función para graficar la distribución de los datos con diferentes tipos de gráficos.

    Parámetros:
    data (DataFrame): Los datos a graficar.
    plot_type (str): Tipo de gráfico a generar ('boxplot', 'density', 'hist', 'violin', 'qq', 'stem', 'line', 'stacked_bar', 'area', 'bar', 'scatter').
    title (str): Título del gráfico.
    y_column (str): Columna de datos a utilizar para el eje y.
    """
    plt.figure(figsize=(10, 6))
    
    if plot_type == 'boxplot':
        sns.boxplot(x='plan', y=y_column, data=data)
        plt.title(title)
        plt.ylabel(y_column)
        plt.xlabel('Plan')
    
    elif plot_type == 'density':
        for plan in data['plan'].unique():
            sns.kdeplot(data[data['plan'] == plan][y_column], label=plan, shade=True)
        plt.title(title)
        plt.ylabel('Densidad')
        plt.xlabel(y_column)
        plt.legend(title='Plan')
    
    elif plot_type == 'hist':
        for plan in data['plan'].unique():
            data[data['plan'] == plan][y_column].hist(bins=50, alpha=0.5, label=plan)
        plt.title(title)
        plt.ylabel('Frecuencia')
        plt.xlabel(y_column)
        plt.legend(title='Plan')
    
    elif plot_type == 'violin':
        sns.violinplot(x='plan', y=y_column, data=data)
        plt.title(title)
        plt.ylabel(y_column)
        plt.xlabel('Plan')
    
    elif plot_type == 'qq':
        for plan in data['plan'].unique():
            stats.probplot(data[data['plan'] == plan][y_column], dist="norm", plot=plt)
            plt.title(f'Q-Q Plot - {plan}')
            plt.xlabel('Cuantiles Teóricos')
            plt.ylabel('Cuantiles de Datos')
            plt.show()
        return  # No ejecutar plt.show() nuevamente
    
    elif plot_type == 'stem':
        for plan in data['plan'].unique():
            column_data = data[data['plan'] == plan][y_column].values
            markerline, stemlines, baseline = plt.stem(column_data, markerfmt='D', label=plan)
        plt.title(title)
        plt.ylabel(y_column)
        plt.xlabel('Índice')
        plt.legend(title='Plan')
    
    elif plot_type == 'line':
        for plan in data['plan'].unique():
            sns.lineplot(data=data[data['plan'] == plan], x='year_month', y=y_column, label=plan)
        plt.title(title)
        plt.ylabel(y_column)
        plt.xlabel('Mes')
        plt.legend(title='Plan')
    
    elif plot_type == 'stacked_bar':
        for plan in data['plan'].unique():
            data[data['plan'] == plan].groupby('year_month')[y_column].sum().plot(kind='bar', stacked=True, label=plan)
        plt.title(title)
        plt.ylabel(y_column)
        plt.xlabel('Mes')
        plt.legend(title='Plan')
    
    elif plot_type == 'area':
        for plan in data['plan'].unique():
            sns.lineplot(data=data[data['plan'] == plan], x='year_month', y=y_column, label=plan)
        plt.fill_between(data['year_month'], data[y_column])
        plt.title(title)
        plt.ylabel(y_column)
        plt.xlabel('Mes')
        plt.legend(title='Plan')
    
    elif plot_type == 'scatter':
        for plan in data['plan'].unique():
            sns.scatterplot(data=data[data['plan'] == plan], x='year_month', y=y_column, label=plan)
        plt.title(title)
        plt.ylabel(y_column)
        plt.xlabel('Mes')
        plt.legend(title='Plan')
    
    plt.tight_layout()
    plt.show()

# Crear el menú interactivo con ipywidgets para el uso de datos por plan
def create_interactive_plot(pivot_data):
    """
    Función para crear un menú interactivo para seleccionar diferentes tipos de gráficos.

    Parámetros:
    pivot_data (DataFrame): Los datos de la tabla pivote a graficar.
    """
    options = [
        ("Gráficos de líneas", 'line'),
        ("Gráficos de barras apiladas", 'stacked_bar'),
        ("Gráficos de áreas", 'area'),
        ("Gráfico de barras", 'bar'),
        ("Diagramas de dispersión", 'scatter'),
        ("Gráficos de cajas (Boxplots)", 'boxplot'),
        ("Gráfico de Histograma", 'hist'),
        ("Gráficos de densidad", 'density'),
        ("Gráficos de violín", 'violin'),
        ("Gráficos Q-Q (Quantile-Quantile)", 'qq'),
        ("Gráficos de tallo y hojas", 'stem')
    ]
    
    dropdown = widgets.Dropdown(
        options=options,
        value='line',
        description='Seleccione el gráfico:',
        disabled=False,
    )
    
    def on_change(change):
        if change['type'] == 'change' and change['name'] == 'value':
            plot_graph(pivot_data, plot_type=change['new'], title='Uso de Datos por Plan')
    
    dropdown.observe(on_change)
    
    display(HTML("<h2>Uso de Datos por Plan</h2><p>Permite seleccionar diferentes tipos de gráficos para visualizar el uso de datos por plan.</p>"))
    display(dropdown)

# Crear el menú interactivo para la distribución del uso de datos
def create_interactive_distribution_plot(data):
    """
    Función para crear un menú interactivo para seleccionar diferentes tipos de gráficos de distribución.

    Parámetros:
    data (DataFrame): Los datos a graficar.
    """
    options = [
        ("Diagramas de caja (Boxplots)", 'boxplot'),
        ("Gráficos de densidad", 'density'),
        ("Gráfico de Histograma", 'hist'),
        ("Gráficos de violín", 'violin'),
        ("Gráficos Q-Q (Quantile-Quantile)", 'qq'),
        ("Gráficos de tallo y hojas", 'stem'),
        ("Gráficos de líneas", 'line'),
        ("Gráficos de barras apiladas", 'stacked_bar'),
        ("Gráficos de áreas", 'area'),
        ("Gráficos de barras", 'bar'),
        ("Diagramas de dispersión", 'scatter')
    ]
    
    dropdown = widgets.Dropdown(
        options=options,
        value='boxplot',
        description='Seleccione el gráfico:',
        disabled=False,
    )
    
    def on_change(change):
        if change['type'] == 'change' and change['name'] == 'value':
            plot_distribution_graph(data, plot_type=change['new'], y_column='gb_used')
    
    dropdown.observe(on_change)
    
    display(HTML("<h2>Distribución del Uso de Datos</h2><p>Permite seleccionar diferentes tipos de gráficos para visualizar la distribución del uso de datos.</p>"))
    display(dropdown)

# Llamar a las funciones para mostrar los menús interactivos y generar los gráficos
create_interactive_plot(pivot_internet)
create_interactive_distribution_plot(df_final)

# Verificar que las columnas necesarias estén en el DataFrame
required_columns = ['state', 'gb_used']
for col in required_columns:
    if col not in df_final.columns:
        print(f"Error: La columna '{col}' no está en el DataFrame.")
        exit()

# Agrupar los datos por estado y calcular el total de uso de datos
datos_por_estado = df_final.groupby('state')['gb_used'].sum().sort_values(ascending=False)

# Función para generar gráficos de barras
def plot_bar_chart(data, title, xlabel, ylabel):
    """
    Función para generar gráficos de barras.

    Parámetros:
    data (Series): Datos a graficar.
    title (str): Título del gráfico.
    xlabel (str): Etiqueta del eje x.
    ylabel (str): Etiqueta del eje y.
    """
    plt.figure(figsize=(14, 7))
    data.plot(kind='bar')
    plt.title(title)
    plt.xlabel(xlabel)
    plt.ylabel(ylabel)
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()

# Generar gráfico de barras para los estados con más uso de datos
plot_bar_chart(datos_por_estado, 'Estados con Más Uso de Datos', 'Estado', 'Total de Datos Usados (GB)')

Dropdown(description='Seleccione el gráfico:', options=(('Gráficos de líneas', 'line'), ('Gráficos de barras a…

Dropdown(description='Seleccione el gráfico:', options=(('Diagramas de caja (Boxplots)', 'boxplot'), ('Gráfico…

# Función para graficar la tabla pivote
def plot_graph(pivot_data, plot_type='bar', title=''):
    """
    Función para graficar los datos de la tabla pivote con diferentes tipos de gráficos.

    Parámetros:
    pivot_data (DataFrame): Los datos de la tabla pivote a graficar.
    plot_type (str): Tipo de gráfico a generar ('line', 'stacked_bar', 'area', 'bar', 'scatter', 'boxplot', 'hist', 'density', 'violin', 'qq', 'stem').
    title (str): Título del gráfico.
    """
    plt.figure(figsize=(10, 6))
    
    if plot_type == 'line':
        pivot_data.plot(kind='line', ax=plt.gca(), title=title)
        plt.ylabel('Ingreso Medio Mensual (USD)')
    
    elif plot_type == 'stacked_bar':
        pivot_data.plot(kind='bar', stacked=True, ax=plt.gca(), title=title)
        plt.ylabel('Ingreso Medio Mensual (USD)')
    
    elif plot_type == 'area':
        pivot_data.plot(kind='area', ax=plt.gca(), title=title)
        plt.ylabel('Ingreso Medio Mensual (USD)')
    
    elif plot_type == 'bar':
        pivot_data.plot(kind='bar', ax=plt.gca(), title=title)
        plt.ylabel('Ingreso Medio Mensual (USD)')
    
    elif plot_type == 'scatter':
        for plan in pivot_data.columns:
            plt.scatter(pivot_data.index, pivot_data[plan], label=plan)
        plt.title(title)
        plt.xlabel('Mes')
        plt.ylabel('Ingreso Medio Mensual (USD)')
        plt.legend(title='Plan')
    
    elif plot_type == 'boxplot':
        sns.boxplot(data=pivot_data, ax=plt.gca())
        plt.title(title)
        plt.ylabel('Ingreso Medio Mensual (USD)')
        plt.xlabel('Plan')
    
    elif plot_type == 'hist':
        pivot_data.plot(kind='hist', ax=plt.gca(), bins=50, alpha=0.5, title=title)
        plt.ylabel('Frecuencia')
        plt.xlabel('Ingreso Mensual (USD)')
        plt.legend(title='Plan')
    
    elif plot_type == 'density':
        for plan in pivot_data.columns:
            sns.kdeplot(pivot_data[plan], label=plan, shade=True)
        plt.title(title)
        plt.ylabel('Densidad')
        plt.xlabel('Ingreso Mensual (USD)')
        plt.legend(title='Plan')
    
    elif plot_type == 'violin':
        sns.violinplot(data=pivot_data, ax=plt.gca())
        plt.title(title)
        plt.ylabel('Ingreso Mensual (USD)')
    
    elif plot_type == 'stem':
        for plan in pivot_data.columns:
            markerline, stemlines, baseline = plt.stem(pivot_data.index, pivot_data[plan], markerfmt='D', label=plan)
        plt.title(title)
        plt.ylabel('Ingreso Mensual (USD)')
        plt.xlabel('Mes')
        plt.legend(title='Plan')
    
    elif plot_type == 'qq':
        for plan in pivot_data.columns:
            stats.probplot(pivot_data[plan].dropna(), dist="norm", plot=plt)
            plt.title(f'Q-Q Plot de Ingresos Mensuales - {plan}')
            plt.xlabel('Cuantiles Teóricos')
            plt.ylabel('Cuantiles de Datos')
            plt.show()
        return
    
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()

# Continuación del código para graficar los ingresos por estado y por las 20 ciudades más importantes

def plot_distribution_by_plan(data, plot_type='hist'):
    """
    Función para graficar la distribución de los ingresos mensuales con diferentes tipos de gráficos.

    Parámetros:
    data (DataFrame): Los datos a graficar.
    plot_type (str): Tipo de gráfico a generar ('hist', 'boxplot', 'density', 'violin', 'stem', 'qq', 'line', 'stacked_bar', 'area', 'bar', 'scatter').
    """
    plt.figure(figsize=(10, 6))
    
    if plot_type == 'hist':
        for plan, plan_data in data.groupby('plan'):
            plan_data['ingreso_total'].hist(bins=50, alpha=0.5, label=plan)
        plt.title('Histograma de Ingresos Mensuales por Plan')
        plt.ylabel('Frecuencia')
        plt.xlabel('Ingreso Mensual (USD)')
        plt.legend(title='Plan')
    
    elif plot_type == 'boxplot':
        sns.boxplot(x='plan', y='ingreso_total', data=data)
        plt.title('Boxplot de Ingresos Mensuales por Plan')
        plt.ylabel('Ingreso Mensual (USD)')
        plt.xlabel('Plan')
    
    elif plot_type == 'density':
        for plan, plan_data in data.groupby('plan'):
            sns.kdeplot(plan_data['ingreso_total'], label=plan, shade=True)
        plt.title('Densidad de Ingresos Mensuales por Plan')
        plt.ylabel('Densidad')
        plt.xlabel('Ingreso Mensual (USD)')
        plt.legend(title='Plan')
    
    elif plot_type == 'violin':
        sns.violinplot(x='plan', y='ingreso_total', data=data)
        plt.title('Gráfico de Violín de Ingresos Mensuales por Plan')
        plt.ylabel('Ingreso Mensual (USD)')
        plt.xlabel('Plan')
    
    elif plot_type == 'stem':
        for plan, plan_data in data.groupby('plan'):
            income_data = plan_data['ingreso_total'].values
            markerline, stemlines, baseline = plt.stem(income_data, markerfmt='D', label=plan)
        plt.title('Gráfico de Tallo y Hojas de Ingresos Mensuales por Plan')
        plt.ylabel('Ingreso Mensual (USD)')
        plt.xlabel('Índice')
        plt.legend(title='Plan')
    
    elif plot_type == 'qq':
        for plan, plan_data in data.groupby('plan'):
            stats.probplot(plan_data['ingreso_total'], dist="norm", plot=plt)
            plt.title(f'Q-Q Plot de Ingresos Mensuales - {plan}')
            plt.xlabel('Cuantiles Teóricos')
            plt.ylabel('Cuantiles de Datos')
            plt.show()
        return
    
    elif plot_type == 'line':
        for plan, plan_data in data.groupby('plan'):
            plan_data.groupby('year_month')['ingreso_total'].mean().plot(kind='line', label=plan, ax=plt.gca())
        plt.title('Ingreso Medio Mensual por Plan')
        plt.ylabel('Ingreso Medio Mensual (USD)')
        plt.xlabel('Mes')
        plt.legend(title='Plan')
    
    elif plot_type == 'stacked_bar':
        pivot_data = data.pivot_table(index='year_month', columns='plan', values='ingreso_total', aggfunc='mean')
        pivot_data.plot(kind='bar', stacked=True, ax=plt.gca(), title='Ingreso Medio Mensual por Plan (Barras Apiladas)')
        plt.ylabel('Ingreso Medio Mensual (USD)')
    
    elif plot_type == 'area':
        pivot_data = data.pivot_table(index='year_month', columns='plan', values='ingreso_total', aggfunc='mean')
        pivot_data.plot(kind='area', ax=plt.gca(), title='Ingreso Medio Mensual por Plan (Área)')
        plt.ylabel('Ingreso Medio Mensual (USD)')
    
    elif plot_type == 'bar':
        for plan, plan_data in data.groupby('plan'):
            plan_data.groupby('year_month')['ingreso_total'].mean().plot(kind='bar', label=plan, ax=plt.gca())
        plt.title('Ingreso Medio Mensual por Plan')
        plt.ylabel('Ingreso Medio Mensual (USD)')
        plt.xlabel('Mes')
        plt.legend(title='Plan')
    
    elif plot_type == 'scatter':
        for plan, plan_data in data.groupby('plan'):
            plt.scatter(plan_data['year_month'], plan_data['ingreso_total'], label=plan)
        plt.title('Ingreso Medio Mensual por Plan (Dispersión)')
        plt.xlabel('Mes')
        plt.ylabel('Ingreso Medio Mensual (USD)')
        plt.legend(title='Plan')
    
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()

# Crear el menú interactivo con ipywidgets para el ingreso medio mensual por plan
def create_interactive_plot(pivot_data):
    options = [
        ("Gráficos de líneas", 'line'),
        ("Gráficos de barras apiladas", 'stacked_bar'),
        ("Gráficos de áreas", 'area'),
        ("Gráfico de barras", 'bar'),
        ("Diagramas de dispersión", 'scatter'),
        ("Gráficos de cajas (Boxplots)", 'boxplot'),
        ("Gráfico de Histograma", 'hist'),
        ("Gráficos de densidad", 'density'),
        ("Gráficos de violín", 'violin'),
        ("Gráficos Q-Q (Quantile-Quantile)", 'qq'),
        ("Gráficos de tallo y hojas", 'stem')
    ]
    
    dropdown = widgets.Dropdown(
        options=options,
        value='line',
        description='Seleccione el gráfico:',
        disabled=False,
    )
    
    def on_change(change):
        if change['type'] == 'change' and change['name'] == 'value':
            plot_graph(pivot_data, plot_type=change['new'], title='Ingreso Medio Mensual por Plan')
    
    dropdown.observe(on_change)
    
    # Mostrar título y descripción
    display(HTML("<h2>Ingreso Medio Mensual por Plan</h2><p>Permite seleccionar diferentes tipos de gráficos para visualizar el ingreso medio mensual por plan.</p>"))
    display(dropdown)

# Crear el menú interactivo para la distribución de los ingresos mensuales
def create_interactive_distribution_plot(data):
    options = [
        ("Diagramas de caja (Boxplots)", 'boxplot'),
        ("Gráficos de densidad", 'density'),
        ("Gráfico de Histograma", 'hist'),
        ("Gráficos de violín", 'violin'),
        ("Gráficos Q-Q (Quantile-Quantile)", 'qq'),
        ("Gráficos de tallo y hojas", 'stem'),
        ("Gráficos de líneas", 'line'),
        ("Gráficos de barras apiladas", 'stacked_bar'),
        ("Gráficos de áreas", 'area'),
        ("Gráficos de barras", 'bar'),
        ("Diagramas de dispersión", 'scatter')
    ]
    
    dropdown = widgets.Dropdown(
        options=options,
        value='boxplot',
        description='Seleccione el gráfico:',
        disabled=False,
    )
    
    def on_change(change):
        if change['type'] == 'change' and change['name'] == 'value':
            plot_distribution_by_plan(data, plot_type=change['new'])
    
    dropdown.observe(on_change)
    
    # Mostrar título y descripción
    display(HTML("<h2>Distribución de los Ingresos Mensuales</h2><p>Permite seleccionar diferentes tipos de gráficos para visualizar la distribución de los ingresos mensuales por plan.</p>"))
    display(dropdown)

# Llamar a las funciones para mostrar los menús interactivos y generar los gráficos
create_interactive_plot(pivot_ingresos)
create_interactive_distribution_plot(df_final)

# Verificar que las columnas necesarias estén en el DataFrame
required_columns = ['state', 'ingreso_total']
for col in required_columns:
    if col not in df_final.columns:
        print(f"Error: La columna '{col}' no está en el DataFrame.")
        exit()

# Agrupar los datos por estado y calcular el total de ingresos
ingresos_por_estado = df_final.groupby('state')['ingreso_total'].sum().sort_values(ascending=False)

# Función para generar gráficos de barras
def plot_bar_chart(data, title, xlabel, ylabel):
    plt.figure(figsize=(14, 7))
    data.plot(kind='bar')
    plt.title(title)
    plt.xlabel(xlabel)
    plt.ylabel(ylabel)
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()

# Generar gráfico de barras para los estados con más ingresos
plot_bar_chart(ingresos_por_estado, 'Estados con Más Ingresos', 'Estado', 'Total de Ingresos (USD)')

# Graficar ingresos por ciudad (top 20 ciudades)
ingresos_por_ciudad = df_final.groupby('city')['ingreso_total'].sum().sort_values(ascending=False).head(20)
plot_bar_chart(ingresos_por_ciudad, 'Top 20 Ciudades con Más Ingresos', 'Ciudad', 'Total de Ingresos (USD)')

Dropdown(description='Seleccione el gráfico:', options=(('Gráficos de líneas', 'line'), ('Gráficos de barras a…

Dropdown(description='Seleccione el gráfico:', options=(('Diagramas de caja (Boxplots)', 'boxplot'), ('Gráfico…

# Función para graficar la tabla pivote
def plot_graph(pivot_data, plot_type='bar', location_type='general'):
    """
    Función para graficar los datos de la tabla pivote con diferentes tipos de gráficos.

    Parámetros:
    pivot_data (DataFrame): Los datos de la tabla pivote a graficar.
    plot_type (str): Tipo de gráfico a generar ('line', 'stacked_bar', 'area', 'bar', 'scatter', 'boxplot', 'hist', 'density', 'violin', 'qq', 'stem').
    location_type (str): Tipo de localización para filtrar ('general', 'estado', 'ciudad').
    """
    plt.figure(figsize=(10, 6))
    
    if location_type == 'estado':
        # Seleccionar solo columnas numéricas
        pivot_state = pivot_data.groupby('state').sum(numeric_only=True)
        if plot_type == 'line':
            pivot_state.plot(kind='line', ax=plt.gca(), title='Ingreso Medio Mensual por Estado')
            plt.ylabel('Ingreso Medio Mensual (USD)')
        elif plot_type == 'stacked_bar':
            pivot_state.plot(kind='bar', stacked=True, ax=plt.gca(), title='Ingreso Medio Mensual por Estado (Barras Apiladas)')
            plt.ylabel('Ingreso Medio Mensual (USD)')
        elif plot_type == 'area':
            pivot_state.plot(kind='area', ax=plt.gca(), title='Ingreso Medio Mensual por Estado (Área)')
            plt.ylabel('Ingreso Medio Mensual (USD)')
        elif plot_type == 'bar':
            pivot_state.plot(kind='bar', ax=plt.gca(), title='Ingreso Medio Mensual por Estado')
            plt.ylabel('Ingreso Medio Mensual (USD)')
        elif plot_type == 'scatter':
            for state in pivot_state.columns:
                plt.scatter(pivot_state.index, pivot_state[state], label=state)
            plt.title('Ingreso Medio Mensual por Estado (Dispersión)')
            plt.xlabel('Estado')
            plt.ylabel('Ingreso Medio Mensual (USD)')
            plt.legend(title='Estado')
        elif plot_type == 'boxplot':
            sns.boxplot(data=pivot_data, x='state', y='ingreso_total', ax=plt.gca())
            plt.title('Ingreso Medio Mensual por Estado (Boxplot)')
            plt.ylabel('Ingreso Medio Mensual (USD)')
            plt.xlabel('Estado')
        elif plot_type == 'hist':
            pivot_state.plot(kind='hist', ax=plt.gca(), bins=50, alpha=0.5, title='Histograma de Ingreso Medio Mensual por Estado')
            plt.ylabel('Frecuencia')
            plt.xlabel('Ingreso Medio Mensual (USD)')
            plt.legend(title='Estado')
        elif plot_type == 'density':
            for state in pivot_state.columns:
                sns.kdeplot(pivot_state[state], label=state, shade=True)
            plt.title('Densidad de Ingreso Medio Mensual por Estado')
            plt.ylabel('Densidad')
            plt.xlabel('Ingreso Medio Mensual (USD)')
            plt.legend(title='Estado')
        elif plot_type == 'violin':
            sns.violinplot(data=pivot_data, x='state', y='ingreso_total', ax=plt.gca())
            plt.title('Gráfico de Violín de Ingreso Medio Mensual por Estado')
            plt.ylabel('Ingreso Medio Mensual (USD)')
            plt.xlabel('Estado')
        elif plot_type == 'stem':
            for state in pivot_state.columns:
                markerline, stemlines, baseline = plt.stem(pivot_state.index, pivot_state[state], markerfmt='D', label=state)
            plt.title('Gráfico de Tallo y Hojas de Ingreso Medio Mensual por Estado')
            plt.ylabel('Ingreso Medio Mensual (USD)')
            plt.xlabel('Estado')
            plt.legend(title='Estado')
        elif plot_type == 'qq':
            for state in pivot_state.columns:
                stats.probplot(pivot_state[state].dropna(), dist="norm", plot=plt)
                plt.title(f'Q-Q Plot de Ingreso Medio Mensual por Estado')
                plt.xlabel('Cuantiles Teóricos')
                plt.ylabel('Cuantiles de Datos')
                plt.show()
            return
    else:
        if plot_type == 'line':
            pivot_data.plot(kind='line', ax=plt.gca(), title='Ingreso Medio Mensual por Plan')
            plt.ylabel('Ingreso Medio Mensual (USD)')
        elif plot_type == 'stacked_bar':
            pivot_data.plot(kind='bar', stacked=True, ax=plt.gca(), title='Ingreso Medio Mensual por Plan (Barras Apiladas)')
            plt.ylabel('Ingreso Medio Mensual (USD)')
        elif plot_type == 'area':
            pivot_data.plot(kind='area', ax=plt.gca(), title='Ingreso Medio Mensual por Plan (Área)')
            plt.ylabel('Ingreso Medio Mensual (USD)')
        elif plot_type == 'bar':
            pivot_data.plot(kind='bar', ax=plt.gca(), title='Ingreso Medio Mensual por Plan')
            plt.ylabel('Ingreso Medio Mensual (USD)')
        elif plot_type == 'scatter':
            for plan in pivot_data.columns:
                plt.scatter(pivot_data.index, pivot_data[plan], label=plan)
            plt.title('Ingreso Medio Mensual por Plan (Dispersión)')
            plt.xlabel('Mes')
            plt.ylabel('Ingreso Medio Mensual (USD)')
            plt.legend(title='Plan')
        elif plot_type == 'boxplot':
            sns.boxplot(data=pivot_data, ax=plt.gca())
            plt.title('Ingreso Medio Mensual por Plan (Boxplot)')
            plt.ylabel('Ingreso Medio Mensual (USD)')
            plt.xlabel('Plan')
        elif plot_type == 'hist':
            pivot_data.plot(kind='hist', ax=plt.gca(), bins=50, alpha=0.5, title='Histograma de Ingreso Medio Mensual por Plan')
            plt.ylabel('Frecuencia')
            plt.xlabel('Ingreso Medio Mensual (USD)')
            plt.legend(title='Plan')
        elif plot_type == 'density':
            for plan in pivot_data.columns:
                sns.kdeplot(pivot_data[plan], label=plan, shade=True)
            plt.title('Densidad de Ingreso Medio Mensual por Plan')
            plt.ylabel('Densidad')
            plt.xlabel('Ingreso Medio Mensual (USD)')
            plt.legend(title='Plan')
        elif plot_type == 'violin':
            sns.violinplot(data=pivot_data, ax=plt.gca())
            plt.title('Gráfico de Violín de Ingreso Medio Mensual por Plan')
            plt.ylabel('Ingreso Medio Mensual (USD)')
            plt.xlabel('Plan')
        elif plot_type == 'stem':
            for plan in pivot_data.columns:
                markerline, stemlines, baseline = plt.stem(pivot_data.index, pivot_data[plan], markerfmt='D', label=plan)
            plt.title('Gráfico de Tallo y Hojas de Ingreso Medio Mensual por Plan')
            plt.ylabel('Ingreso Medio Mensual (USD)')
            plt.xlabel('Mes')
            plt.legend(title='Plan')
        elif plot_type == 'qq':
            for plan in pivot_data.columns:
                stats.probplot(pivot_data[plan].dropna(), dist="norm", plot=plt)
                plt.title(f'Q-Q Plot de Ingreso Medio Mensual - {plan}')
                plt.xlabel('Cuantiles Teóricos')
                plt.ylabel('Cuantiles de Datos')
                plt.show()
            return
    
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()

def plot_distribution_by_plan(data, plot_type='hist'):
    """
    Función para graficar la distribución de los ingresos mensuales con diferentes tipos de gráficos.

    Parámetros:
    data (DataFrame): Los datos a graficar.
    plot_type (str): Tipo de gráfico a generar ('hist', 'boxplot', 'density', 'violin', 'stem', 'qq', 'line', 'stacked_bar', 'area', 'bar', 'scatter').
    """
    plt.figure(figsize=(10, 6))
    
    if plot_type == 'hist':
        for plan, plan_data in data.groupby('plan'):
            plan_data['ingreso_total'].hist(bins=50, alpha=0.5, label=plan)
        plt.title('Histograma de Ingresos Mensuales por Plan')
        plt.ylabel('Frecuencia')
        plt.xlabel('Ingreso Mensual (USD)')
        plt.legend(title='Plan')
    
    elif plot_type == 'boxplot':
        sns.boxplot(x='plan', y='ingreso_total', data=data)
        plt.title('Boxplot de Ingresos Mensuales por Plan')
        plt.ylabel('Ingreso Mensual (USD)')
        plt.xlabel('Plan')
    
    elif plot_type == 'density':
        for plan, plan_data in data.groupby('plan'):
            sns.kdeplot(plan_data['ingreso_total'], label=plan, shade=True)
        plt.title('Densidad de Ingresos Mensuales por Plan')
        plt.ylabel('Densidad')
        plt.xlabel('Ingreso Mensual (USD)')
        plt.legend(title='Plan')
    
    elif plot_type == 'violin':
        sns.violinplot(x='plan', y='ingreso_total', data=data)
        plt.title('Gráfico de Violín de Ingresos Mensuales por Plan')
        plt.ylabel('Ingreso Mensual (USD)')
        plt.xlabel('Plan')
    elif plot_type == 'stem':
        for plan, plan_data in data.groupby('plan'):
            income_data = plan_data['ingreso_total'].values
            markerline, stemlines, baseline = plt.stem(income_data, markerfmt='D', label=plan)
        plt.title('Gráfico de Tallo y Hojas de Ingresos Mensuales por Plan')
        plt.ylabel('Ingreso Mensual (USD)')
        plt.xlabel('Índice')
        plt.legend(title='Plan')
    
    elif plot_type == 'qq':
        for plan, plan_data in data.groupby('plan'):
            stats.probplot(plan_data['ingreso_total'], dist="norm", plot=plt)
            plt.title(f'Q-Q Plot de Ingresos Mensuales - {plan}')
            plt.xlabel('Cuantiles Teóricos')
            plt.ylabel('Cuantiles de Datos')
            plt.show()
        return
    
    elif plot_type == 'line':
        for plan, plan_data in data.groupby('plan'):
            plan_data.groupby('year_month')['ingreso_total'].mean().plot(kind='line', label=plan, ax=plt.gca())
        plt.title('Ingreso Medio Mensual por Plan')
        plt.ylabel('Ingreso Medio Mensual (USD)')
        plt.xlabel('Mes')
        plt.legend(title='Plan')
    
    elif plot_type == 'stacked_bar':
        pivot_data = data.pivot_table(index='year_month', columns='plan', values='ingreso_total', aggfunc='mean')
        pivot_data.plot(kind='bar', stacked=True, ax=plt.gca(), title='Ingreso Medio Mensual por Plan (Barras Apiladas)')
        plt.ylabel('Ingreso Medio Mensual (USD)')
    
    elif plot_type == 'area':
        pivot_data = data.pivot_table(index='year_month', columns='plan', values='ingreso_total', aggfunc='mean')
        pivot_data.plot(kind='area', ax=plt.gca(), title='Ingreso Medio Mensual por Plan (Área)')
        plt.ylabel('Ingreso Medio Mensual (USD)')
    
    elif plot_type == 'bar':
        for plan, plan_data in data.groupby('plan'):
            plan_data.groupby('year_month')['ingreso_total'].mean().plot(kind='bar', label=plan, ax=plt.gca())
        plt.title('Ingreso Medio Mensual por Plan')
        plt.ylabel('Ingreso Medio Mensual (USD)')
        plt.xlabel('Mes')
        plt.legend(title='Plan')
    
    elif plot_type == 'scatter':
        for plan, plan_data in data.groupby('plan'):
            plt.scatter(plan_data['year_month'], plan_data['ingreso_total'], label=plan)
        plt.title('Ingreso Medio Mensual por Plan (Dispersión)')
        plt.xlabel('Mes')
        plt.ylabel('Ingreso Medio Mensual (USD)')
        plt.legend(title='Plan')
    
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()

# Crear menús interactivos para la visualización de datos

def create_interactive_plot(pivot_data):
    """
    Función para crear un menú interactivo utilizando ipywidgets para la selección de gráficos.

    Parámetros:
    pivot_data (DataFrame): Los datos de la tabla pivote a graficar.
    """
    options = [
        ("Gráficos de líneas", 'line'),
        ("Gráficos de barras apiladas", 'stacked_bar'),
        ("Gráficos de áreas", 'area'),
        ("Gráfico de barras", 'bar'),
        ("Diagramas de dispersión", 'scatter'),
        ("Gráficos de cajas (Boxplots)", 'boxplot'),
        ("Gráfico de Histograma", 'hist'),
        ("Gráficos de densidad", 'density'),
        ("Gráficos de violín", 'violin'),
        ("Gráficos Q-Q (Quantile-Quantile)", 'qq'),
        ("Gráficos de tallo y hojas", 'stem')
    ]
    
    dropdown = widgets.Dropdown(
        options=options,
        value='line',
        description='Seleccione el gráfico:',
        disabled=False,
    )
    
    def on_change(change):
        if change['type'] == 'change' and change['name'] == 'value':
            plot_graph(pivot_data, plot_type=change['new'], location_type='general')
    
    dropdown.observe(on_change)
    
    display(HTML("<h2>Ingreso Medio Mensual por Plan</h2><p>Permite seleccionar diferentes tipos de gráficos para visualizar el ingreso medio mensual por plan.</p>"))
    display(dropdown)

def create_interactive_distribution_plot(data):
    """
    Función para crear un menú interactivo utilizando ipywidgets para la selección de gráficos de distribución.

    Parámetros:
    data (DataFrame): Los datos a graficar.
    """
    options = [
        ("Diagramas de caja (Boxplots)", 'boxplot'),
        ("Gráficos de densidad", 'density'),
        ("Gráfico de Histograma", 'hist'),
        ("Gráficos de violín", 'violin'),
        ("Gráficos Q-Q (Quantile-Quantile)", 'qq'),
        ("Gráficos de tallo y hojas", 'stem'),
        ("Gráficos de líneas", 'line'),
        ("Gráficos de barras apiladas", 'stacked_bar'),
        ("Gráficos de áreas", 'area'),
        ("Gráficos de barras", 'bar'),
        ("Diagramas de dispersión", 'scatter')
    ]
    
    dropdown = widgets.Dropdown(
        options=options,
        value='boxplot',
        description='Seleccione el gráfico:',
        disabled=False,
    )
    
    def on_change(change):
        if change['type'] == 'change' and change['name'] == 'value':
            plot_distribution_by_plan(data, plot_type=change['new'])
    
    dropdown.observe(on_change)
    
    display(HTML("<h2>Distribución de los Ingresos Mensuales</h2><p>Permite seleccionar diferentes tipos de gráficos para visualizar la distribución de los ingresos mensuales por plan.</p>"))
    display(dropdown)

# Llamar a las funciones para mostrar los menús interactivos y generar los gráficos
create_interactive_plot(pivot_ingresos)
create_interactive_distribution_plot(df_final)

# Graficar ingresos por estado
ingresos_por_estado = df_final.groupby('state')['ingreso_total'].sum().sort_values(ascending=False)

def plot_bar_chart(data, title, xlabel, ylabel):
    """
    Función para generar gráficos de barras.

    Parámetros:
    data (Series): Datos a graficar.
    title (str): Título del gráfico.
    xlabel (str): Etiqueta del eje X.
    ylabel (str): Etiqueta del eje Y.
    """
    plt.figure(figsize=(14, 7))
    data.plot(kind='bar')
    plt.title(title)
    plt.xlabel(xlabel)
    plt.ylabel(ylabel)
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()

# Generar gráfico de barras para los estados con más ingresos
plot_bar_chart(ingresos_por_estado, 'Estados con Más Ingresos', 'Estado', 'Total de Ingresos (USD)')

# Graficar ingresos por ciudad (top 20 ciudades)
ingresos_por_ciudad = df_final.groupby('city')['ingreso_total'].sum().sort_values(ascending=False).head(20)
plot_bar_chart(ingresos_por_ciudad, 'Top 20 Ciudades con Más Ingresos', 'Ciudad', 'Total de Ingresos (USD)')

Dropdown(description='Seleccione el gráfico:', options=(('Gráficos de líneas', 'line'), ('Gráficos de barras a…

Dropdown(description='Seleccione el gráfico:', options=(('Diagramas de caja (Boxplots)', 'boxplot'), ('Gráfico…

# Función para graficar la tabla pivote
def plot_graph(pivot_data, plot_type='bar', location_type='general'):
    """
    Función para graficar los datos de la tabla pivote con diferentes tipos de gráficos.

    Parámetros:
    pivot_data (DataFrame): Los datos de la tabla pivote a graficar.
    plot_type (str): Tipo de gráfico a generar ('line', 'stacked_bar', 'area', 'bar', 'scatter', 'boxplot', 'hist', 'density', 'violin', 'qq', 'stem').
    location_type (str): Tipo de localización para filtrar ('general', 'estado', 'ciudad').
    """
    plt.figure(figsize=(10, 6))
    
    if location_type == 'estado':
        pivot_state = pivot_data.groupby('state').sum(numeric_only=True)
        if plot_type == 'line':
            pivot_state.plot(kind='line', ax=plt.gca(), title='Ingreso Medio Mensual por Estado')
            plt.ylabel('Ingreso Medio Mensual (USD)')
        elif plot_type == 'stacked_bar':
            pivot_state.plot(kind='bar', stacked=True, ax=plt.gca(), title='Ingreso Medio Mensual por Estado (Barras Apiladas)')
            plt.ylabel('Ingreso Medio Mensual (USD)')
        elif plot_type == 'area':
            pivot_state.plot(kind='area', ax=plt.gca(), title='Ingreso Medio Mensual por Estado (Área)')
            plt.ylabel('Ingreso Medio Mensual (USD)')
        elif plot_type == 'bar':
            pivot_state.plot(kind='bar', ax=plt.gca(), title='Ingreso Medio Mensual por Estado')
            plt.ylabel('Ingreso Medio Mensual (USD)')
        elif plot_type == 'scatter':
            for state in pivot_state.columns:
                plt.scatter(pivot_state.index, pivot_state[state], label=state)
            plt.title('Ingreso Medio Mensual por Estado (Dispersión)')
            plt.xlabel('Estado')
            plt.ylabel('Ingreso Medio Mensual (USD)')
            plt.legend(title='Estado')
        elif plot_type == 'boxplot':
            sns.boxplot(data=pivot_data, x='state', y='ingreso_total', ax=plt.gca())
            plt.title('Ingreso Medio Mensual por Estado (Boxplot)')
            plt.ylabel('Ingreso Medio Mensual (USD)')
            plt.xlabel('Estado')
        elif plot_type == 'hist':
            pivot_state.plot(kind='hist', ax=plt.gca(), bins=50, alpha=0.5, title='Histograma de Ingreso Medio Mensual por Estado')
            plt.ylabel('Frecuencia')
            plt.xlabel('Ingreso Medio Mensual (USD)')
            plt.legend(title='Estado')
        elif plot_type == 'density':
            for state in pivot_state.columns:
                sns.kdeplot(pivot_state[state], label=state, shade=True)
            plt.title('Densidad de Ingreso Medio Mensual por Estado')
            plt.ylabel('Densidad')
            plt.xlabel('Ingreso Medio Mensual (USD)')
            plt.legend(title='Estado')
        elif plot_type == 'violin':
            sns.violinplot(data=pivot_data, x='state', y='ingreso_total', ax=plt.gca())
            plt.title('Gráfico de Violín de Ingreso Medio Mensual por Estado')
            plt.ylabel('Ingreso Medio Mensual (USD)')
            plt.xlabel('Estado')
        elif plot_type == 'stem':
            for state in pivot_state.columns:
                markerline, stemlines, baseline = plt.stem(pivot_state.index, pivot_state[state], markerfmt='D', label=state)
            plt.title('Gráfico de Tallo y Hojas de Ingreso Medio Mensual por Estado')
            plt.ylabel('Ingreso Medio Mensual (USD)')
            plt.xlabel('Estado')
            plt.legend(title='Estado')
        elif plot_type == 'qq':
            for state in pivot_state.columns:
                stats.probplot(pivot_state[state].dropna(), dist="norm", plot=plt)
                plt.title(f'Q-Q Plot de Ingreso Medio Mensual por Estado')
                plt.xlabel('Cuantiles Teóricos')
                plt.ylabel('Cuantiles de Datos')
                plt.show()
            return
    else:
        if plot_type == 'line':
            pivot_data.plot(kind='line', ax=plt.gca(), title='Ingreso Medio Mensual por Plan')
            plt.ylabel('Ingreso Medio Mensual (USD)')
        elif plot_type == 'stacked_bar':
            pivot_data.plot(kind='bar', stacked=True, ax=plt.gca(), title='Ingreso Medio Mensual por Plan (Barras Apiladas)')
            plt.ylabel('Ingreso Medio Mensual (USD)')
        elif plot_type == 'area':
            pivot_data.plot(kind='area', ax=plt.gca(), title='Ingreso Medio Mensual por Plan (Área)')
            plt.ylabel('Ingreso Medio Mensual (USD)')
        elif plot_type == 'bar':
            pivot_data.plot(kind='bar', ax=plt.gca(), title='Ingreso Medio Mensual por Plan')
            plt.ylabel('Ingreso Medio Mensual (USD)')
        elif plot_type == 'scatter':
            for plan in pivot_data.columns:
                plt.scatter(pivot_data.index, pivot_data[plan], label=plan)
            plt.title('Ingreso Medio Mensual por Plan (Dispersión)')
            plt.xlabel('Mes')
            plt.ylabel('Ingreso Medio Mensual (USD)')
            plt.legend(title='Plan')
        elif plot_type == 'boxplot':
            sns.boxplot(data=pivot_data, ax=plt.gca())
            plt.title('Ingreso Medio Mensual por Plan (Boxplot)')
            plt.ylabel('Ingreso Medio Mensual (USD)')
            plt.xlabel('Plan')
        elif plot_type == 'hist':
            pivot_data.plot(kind='hist', ax=plt.gca(), bins=50, alpha=0.5, title='Histograma de Ingreso Medio Mensual por Plan')
            plt.ylabel('Frecuencia')
            plt.xlabel('Ingreso Medio Mensual (USD)')
            plt.legend(title='Plan')
        elif plot_type == 'density':
            for plan in pivot_data.columns:
                sns.kdeplot(pivot_data[plan], label=plan, shade=True)
            plt.title('Densidad de Ingreso Medio Mensual por Plan')
            plt.ylabel('Densidad')
            plt.xlabel('Ingreso Medio Mensual (USD)')
            plt.legend(title='Plan')
        elif plot_type == 'violin':
            sns.violinplot(data=pivot_data, ax=plt.gca())
            plt.title('Gráfico de Violín de Ingreso Medio Mensual por Plan')
            plt.ylabel('Ingreso Medio Mensual (USD)')
            plt.xlabel('Plan')
        elif plot_type == 'stem':
            for plan in pivot_data.columns:
                markerline, stemlines, baseline = plt.stem(pivot_data.index, pivot_data[plan], markerfmt='D', label=plan)
            plt.title('Gráfico de Tallo y Hojas de Ingreso Medio Mensual por Plan')
            plt.ylabel('Ingreso Medio Mensual (USD)')
            plt.xlabel('Mes')
            plt.legend(title='Plan')
        elif plot_type == 'qq':
            for plan in pivot_data.columns:
                stats.probplot(pivot_data[plan].dropna(), dist="norm", plot=plt)
                plt.title(f'Q-Q Plot de Ingreso Medio Mensual - {plan}')
                plt.xlabel('Cuantiles Teóricos')
                plt.ylabel('Cuantiles de Datos')
                plt.show()
            return
    
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()

def plot_distribution_graph(data, plot_type='hist', location_type='general'):
    """
    Función para graficar la distribución del ingreso mensual con diferentes tipos de gráficos.

    Parámetros:
    data (DataFrame): Los datos a graficar.
    plot_type (str): Tipo de gráfico a generar ('boxplot', 'density', 'hist', 'violin', 'qq', 'stem').
    location_type (str): Tipo de localización para filtrar ('general', 'estado', 'ciudad').
    """
    plt.figure(figsize=(10, 6))
    
    if location_type == 'estado':
        pivot_state = data.groupby('state').sum(numeric_only=True).reset_index()
        if plot_type == 'boxplot':
            sns.boxplot(x='state', y='ingreso_total', data=data)
            plt.title('Boxplot de Ingreso Mensual por Estado')
            plt.ylabel('Ingreso Mensual (USD)')
            plt.xlabel('Estado')
        elif plot_type == 'density':
            for state in pivot_state['state']:
                sns.kdeplot(data[data['state'] == state]['ingreso_total'], label=state, shade=True)
            plt.title('Densidad de Ingreso Mensual por Estado')
            plt.ylabel('Densidad')
            plt.xlabel('Ingreso Mensual (USD)')
            plt.legend(title='Estado')
        elif plot_type == 'hist':
            for state in pivot_state['state']:
                data[data['state'] == state]['ingreso_total'].hist(bins=50, alpha=0.5, label=state)
            plt.title('Histograma de Ingreso Mensual por Estado')
            plt.ylabel('Frecuencia')
            plt.xlabel('Ingreso Mensual (USD)')
            plt.legend(title='Estado')
        elif plot_type == 'violin':
            sns.violinplot(x='state', y='ingreso_total', data=data)
            plt.title('Gráfico de Violín de Ingreso Mensual por Estado')
            plt.ylabel('Ingreso Mensual (USD)')
            plt.xlabel('Estado')
        elif plot_type == 'qq':
            for state in pivot_state['state']:
                stats.probplot(data[data['state'] == state]['ingreso_total'], dist="norm", plot=plt)
                plt.title(f'Q-Q Plot de Ingreso Mensual - {state}')
                plt.xlabel('Cuantiles Teóricos')
                plt.ylabel('Cuantiles de Datos')
                plt.show()
            return
        elif plot_type == 'stem':
            for state in pivot_state['state']:
                data_uso = data[data['state'] == state]['ingreso_total'].values
                markerline, stemlines, baseline = plt.stem(data_uso, markerfmt='D', label=state)
            plt.title('Gráfico de Tallo y Hojas de Ingreso Mensual por Estado')
            plt.ylabel('Ingreso Mensual (USD)')
            plt.xlabel('Índice')
            plt.legend(title='Estado')
    else:
        if plot_type == 'boxplot':
            sns.boxplot(x='plan', y='ingreso_total', data=data)
            plt.title('Boxplot de Ingreso Mensual por Plan')
            plt.ylabel('Ingreso Mensual (USD)')
            plt.xlabel('Plan')
        elif plot_type == 'density':
            for plan in data['plan'].unique():
                sns.kdeplot(data[data['plan'] == plan]['ingreso_total'], label=plan, shade=True)
            plt.title('Densidad de Ingreso Mensual por Plan')
            plt.ylabel('Densidad')
            plt.xlabel('Ingreso Mensual (USD)')
            plt.legend(title='Plan')
        elif plot_type == 'hist':
            for plan in data['plan'].unique():
                data[data['plan'] == plan]['ingreso_total'].hist(bins=50, alpha=0.5, label=plan)
            plt.title('Histograma de Ingreso Mensual por Plan')
            plt.ylabel('Frecuencia')
            plt.xlabel('Ingreso Mensual (USD)')
            plt.legend(title='Plan')
        elif plot_type == 'violin':
            sns.violinplot(x='plan', y='ingreso_total', data=data)
            plt.title('Gráfico de Violín de Ingreso Mensual por Plan')
            plt.ylabel('Ingreso Mensual (USD)')
            plt.xlabel('Plan')
        elif plot_type == 'qq':
            for plan in data['plan'].unique():
                stats.probplot(data[data['plan'] == plan]['ingreso_total'], dist="norm", plot=plt)
                plt.title(f'Q-Q Plot de Ingreso Mensual - {plan}')
                plt.xlabel('Cuantiles Teóricos')
                plt.ylabel('Cuantiles de Datos')
                plt.show()
            return
        elif plot_type == 'stem':
            for plan in data['plan'].unique():
                data_uso = data[data['plan'] == plan]['ingreso_total'].values
                markerline, stemlines, baseline = plt.stem(data_uso, markerfmt='D', label=plan)
            plt.title('Gráfico de Tallo y Hojas de Ingreso Mensual por Plan')
            plt.ylabel('Ingreso Mensual (USD)')
            plt.xlabel('Índice')
            plt.legend(title='Plan')
    
    plt.tight_layout()
    plt.show()

def solicitar_opcion(mensaje, opciones):
    """
    Solicita una opción al usuario y verifica que sea válida.

    Parámetros:
    mensaje (str): Mensaje para solicitar la opción al usuario.
    opciones (dict): Diccionario con las opciones válidas.

    Retorna:
    str: La opción seleccionada por el usuario.
    """
    while True:
        print(mensaje)
        opcion = input("Ingrese el número correspondiente al tipo de gráfico: ")
        if opcion in opciones:
            return opcion
        else:
            print("Opción no válida. Por favor, seleccione un número del 1 al 11.")

# Crear menús interactivos para la visualización de datos

def create_interactive_plot(pivot_data):
    """
    Función para crear un menú interactivo utilizando ipywidgets para la selección de gráficos.

    Parámetros:
    pivot_data (DataFrame): Los datos de la tabla pivote a graficar.
    """
    options = [
        ("Gráficos de líneas", 'line'),
        ("Gráficos de barras apiladas", 'stacked_bar'),
        ("Gráficos de áreas", 'area'),
        ("Gráfico de barras", 'bar'),
        ("Diagramas de dispersión", 'scatter'),
        ("Gráficos de cajas (Boxplots)", 'boxplot'),
        ("Gráfico de Histograma", 'hist'),
        ("Gráficos de densidad", 'density'),
        ("Gráficos de violín", 'violin'),
        ("Gráficos Q-Q (Quantile-Quantile)", 'qq'),
        ("Gráficos de tallo y hojas", 'stem')
    ]
    
    dropdown = widgets.Dropdown(
        options=options,
        value='line',
        description='Seleccione el gráfico:',
        disabled=False,
    )
    
    def on_change(change):
        if change['type'] == 'change' and change['name'] == 'value':
            plot_graph(pivot_data, plot_type=change['new'], location_type='general')
    
    dropdown.observe(on_change)
    
    display(HTML("<h2>Ingreso Medio Mensual por Plan</h2><p>Permite seleccionar diferentes tipos de gráficos para visualizar el ingreso medio mensual por plan.</p>"))
    display(dropdown)

def create_interactive_distribution_plot(data):
    """
    Función para crear un menú interactivo utilizando ipywidgets para la selección de gráficos de distribución.

    Parámetros:
    data (DataFrame): Los datos a graficar.
    """
    options = [
        ("Diagramas de caja (Boxplots)", 'boxplot'),
        ("Gráficos de densidad", 'density'),
        ("Gráfico de Histograma", 'hist'),
        ("Gráficos de violín", 'violin'),
        ("Gráficos Q-Q (Quantile-Quantile)", 'qq'),
        ("Gráficos de tallo y hojas", 'stem'),
        ("Gráficos de líneas", 'line'),
        ("Gráficos de barras apiladas", 'stacked_bar'),
        ("Gráficos de áreas", 'area'),
        ("Gráficos de barras", 'bar'),
        ("Diagramas de dispersión", 'scatter')
    ]
    
    dropdown = widgets.Dropdown(
        options=options,
        value='boxplot',
        description='Seleccione el gráfico:',
        disabled=False,
    )
    
    def on_change(change):
        if change['type'] == 'change' and change['name'] == 'value':
            plot_distribution_graph(data, plot_type=change['new'], location_type='general')
    
    dropdown.observe(on_change)
    
    display(HTML("<h2>Distribución del Ingreso Medio Mensual</h2><p>Permite seleccionar diferentes tipos de gráficos para visualizar la distribución del ingreso medio mensual.</p>"))
    display(dropdown)

# Llamar a las funciones para mostrar los menús interactivos y generar los gráficos
create_interactive_plot(pivot_ingresos)
create_interactive_distribution_plot(df_final)

# Graficar ingresos por estado
ingresos_por_estado = df_final.groupby('state')['ingreso_total'].sum().sort_values(ascending=False)

def plot_bar_chart(data, title, xlabel, ylabel):
    """
    Función para generar gráficos de barras.

    Parámetros:
    data (Series): Datos a graficar.
    title (str): Título del gráfico.
    xlabel (str): Etiqueta del eje X.
    ylabel (str): Etiqueta del eje Y.
    """
    plt.figure(figsize=(14, 7))
    data.plot(kind='bar')
    plt.title(title)
    plt.xlabel(xlabel)
    plt.ylabel(ylabel)
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()

# Generar gráfico de barras para los estados con más ingresos
plot_bar_chart(ingresos_por_estado, 'Estados con Más Ingresos', 'Estado', 'Total de Ingresos (USD)')

# Graficar ingresos por ciudad (top 20 ciudades)
ingresos_por_ciudad = df_final.groupby('city')['ingreso_total'].sum().sort_values(ascending=False).head(20)
plot_bar_chart(ingresos_por_ciudad, 'Top 20 Ciudades con Más Ingresos', 'Ciudad', 'Total de Ingresos (USD)')

Dropdown(description='Seleccione el gráfico:', options=(('Gráficos de líneas', 'line'), ('Gráficos de barras a…

Dropdown(description='Seleccione el gráfico:', options=(('Diagramas de caja (Boxplots)', 'boxplot'), ('Gráfico…

# Función para graficar la tabla pivote
def plot_graph(pivot_data, plot_type='bar', title=''):
    plt.figure(figsize=(10, 6))
    
    if plot_type == 'line':
        pivot_data.plot(kind='line', ax=plt.gca(), title=title)
        plt.ylabel('Ingreso Medio Mensual (USD)')
    
    elif plot_type == 'stacked_bar':
        pivot_data.plot(kind='bar', stacked=True, ax=plt.gca(), title=title)
        plt.ylabel('Ingreso Medio Mensual (USD)')
    
    elif plot_type == 'area':
        pivot_data.plot(kind='area', ax=plt.gca(), title=title)
        plt.ylabel('Ingreso Medio Mensual (USD)')
    
    elif plot_type == 'bar':
        pivot_data.plot(kind='bar', ax=plt.gca(), title=title)
        plt.ylabel('Ingreso Medio Mensual (USD)')
    
    elif plot_type == 'scatter':
        for plan in pivot_data.columns:
            plt.scatter(pivot_data.index, pivot_data[plan], label=plan)
        plt.title(title)
        plt.xlabel('Mes')
        plt.ylabel('Ingreso Medio Mensual (USD)')
        plt.legend(title='Plan')
    
    elif plot_type == 'boxplot':
        sns.boxplot(data=pivot_data, ax=plt.gca())
        plt.title(title)
        plt.ylabel('Ingreso Medio Mensual (USD)')
        plt.xlabel('Plan')
    
    elif plot_type == 'hist':
        pivot_data.plot(kind='hist', ax=plt.gca(), bins=50, alpha=0.5, title=title)
        plt.ylabel('Frecuencia')
        plt.xlabel('Ingreso Mensual (USD)')
        plt.legend(title='Plan')
    
    elif plot_type == 'density':
        for plan in pivot_data.columns:
            sns.kdeplot(pivot_data[plan], label=plan, shade=True)
        plt.title(title)
        plt.ylabel('Densidad')
        plt.xlabel('Ingreso Mensual (USD)')
        plt.legend(title='Plan')
    
    elif plot_type == 'violin':
        sns.violinplot(data=pivot_data, ax=plt.gca())
        plt.title(title)
        plt.ylabel('Ingreso Mensual (USD)')
        plt.xlabel('Plan')
    
    elif plot_type == 'stem':
        for plan in pivot_data.columns:
            markerline, stemlines, baseline = plt.stem(pivot_data.index, pivot_data[plan], markerfmt='D', label=plan)
        plt.title(title)
        plt.ylabel('Ingreso Mensual (USD)')
        plt.xlabel('Mes')
        plt.legend(title='Plan')
    
    elif plot_type == 'qq':
        for plan in pivot_data.columns:
            stats.probplot(pivot_data[plan].dropna(), dist="norm", plot=plt)
            plt.title(f'Q-Q Plot de Ingresos Mensuales - {plan}')
            plt.xlabel('Cuantiles Teóricos')
            plt.ylabel('Cuantiles de Datos')
            plt.show()
        return
    
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()

# Función para graficar la distribución de datos
def plot_distribution_by_plan(data, plot_type='hist'):
    plt.figure(figsize=(10, 6))
    
    if plot_type == 'hist':
        for plan, plan_data in data.groupby('plan'):
            plan_data['ingreso_total'].hist(bins=50, alpha=0.5, label=plan)
        plt.title('Histograma de Ingresos Mensuales por Plan')
        plt.ylabel('Frecuencia')
        plt.xlabel('Ingreso Mensual (USD)')
        plt.legend(title='Plan')
    
    elif plot_type == 'boxplot':
        sns.boxplot(x='plan', y='ingreso_total', data=data)
        plt.title('Boxplot de Ingresos Mensuales por Plan')
        plt.ylabel('Ingreso Mensual (USD)')
        plt.xlabel('Plan')
    
    elif plot_type == 'density':
        for plan, plan_data in data.groupby('plan'):
            sns.kdeplot(plan_data['ingreso_total'], label=plan, shade=True)
        plt.title('Densidad de Ingresos Mensuales por Plan')
        plt.ylabel('Densidad')
        plt.xlabel('Ingreso Mensual (USD)')
        plt.legend(title='Plan')
    
    elif plot_type == 'violin':
        sns.violinplot(x='plan', y='ingreso_total', data=data)
        plt.title('Gráfico de Violín de Ingresos Mensuales por Plan')
        plt.ylabel('Ingreso Mensual (USD)')
        plt.xlabel('Plan')
    
    elif plot_type == 'stem':
        for plan, plan_data in data.groupby('plan'):
            income_data = plan_data['ingreso_total'].values
            markerline, stemlines, baseline = plt.stem(income_data, markerfmt='D', label=plan)
        plt.title('Gráfico de Tallo y Hojas de Ingresos Mensuales por Plan')
        plt.ylabel('Ingreso Mensual (USD)')
        plt.xlabel('Índice')
        plt.legend(title='Plan')
    
    elif plot_type == 'qq':
        for plan, plan_data in data.groupby('plan'):
            stats.probplot(plan_data['ingreso_total'], dist="norm", plot=plt)
            plt.title(f'Q-Q Plot de Ingresos Mensuales - {plan}')
            plt.xlabel('Cuantiles Teóricos')
            plt.ylabel('Cuantiles de Datos')
            plt.show()
        return
    
    elif plot_type == 'line':
        for plan, plan_data in data.groupby('plan'):
            plan_data.groupby('year_month')['ingreso_total'].mean().plot(kind='line', label=plan, ax=plt.gca())
        plt.title('Ingreso Medio Mensual por Plan')
        plt.ylabel('Ingreso Medio Mensual (USD)')
        plt.xlabel('Mes')
        plt.legend(title='Plan')
    
    elif plot_type == 'stacked_bar':
        pivot_data = data.pivot_table(index='year_month', columns='plan', values='ingreso_total', aggfunc='mean')
        pivot_data.plot(kind='bar', stacked=True, ax=plt.gca(), title='Ingreso Medio Mensual por Plan (Barras Apiladas)')
        plt.ylabel('Ingreso Medio Mensual (USD)')
    
    elif plot_type == 'area':
        pivot_data = data.pivot_table(index='year_month', columns='plan', values='ingreso_total', aggfunc='mean')
        pivot_data.plot(kind='area', ax=plt.gca(), title='Ingreso Medio Mensual por Plan (Área)')
        plt.ylabel('Ingreso Medio Mensual (USD)')
    
    elif plot_type == 'bar':
        for plan, plan_data in data.groupby('plan'):
            plan_data.groupby('year_month')['ingreso_total'].mean().plot(kind='bar', label=plan, ax=plt.gca())
        plt.title('Ingreso Medio Mensual por Plan')
        plt.ylabel('Ingreso Medio Mensual (USD)')
        plt.xlabel('Mes')
        plt.legend(title='Plan')
    
    elif plot_type == 'scatter':
        for plan, plan_data in data.groupby('plan'):
            plt.scatter(plan_data['year_month'], plan_data['ingreso_total'], label=plan)
        plt.title('Ingreso Medio Mensual por Plan (Dispersión)')
        plt.xlabel('Mes')
        plt.ylabel('Ingreso Medio Mensual (USD)')
        plt.legend(title='Plan')
    
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()

# Crear menús interactivos para la visualización de datos

def create_interactive_plot(pivot_data):
    """
    Función para crear un menú interactivo utilizando ipywidgets para la selección de gráficos.

    Parámetros:
    pivot_data (DataFrame): Los datos de la tabla pivote a graficar.
    """
    options = [
        ("Gráficos de líneas", 'line'),
        ("Gráficos de barras apiladas", 'stacked_bar'),
        ("Gráficos de áreas", 'area'),
        ("Gráfico de barras", 'bar'),
        ("Diagramas de dispersión", 'scatter'),
        ("Gráficos de cajas (Boxplots)", 'boxplot'),
        ("Gráfico de Histograma", 'hist'),
        ("Gráficos de densidad", 'density'),
        ("Gráficos de violín", 'violin'),
        ("Gráficos Q-Q (Quantile-Quantile)", 'qq'),
        ("Gráficos de tallo y hojas", 'stem')
    ]
    
    dropdown = widgets.Dropdown(
        options=options,
        value='line',
        description='Seleccione el gráfico:',
        disabled=False,
    )
    
    def on_change(change):
        if change['type'] == 'change' and change['name'] == 'value':
            plot_graph(pivot_data, plot_type=change['new'], title='Ingreso Medio Mensual por Plan')
    
    dropdown.observe(on_change)
    
    display(HTML("<h2>Ingreso Medio Mensual por Plan</h2><p>Permite seleccionar diferentes tipos de gráficos para visualizar el ingreso medio mensual por plan.</p>"))
    display(dropdown)

def create_interactive_distribution_plot(data):
    """
    Función para crear un menú interactivo utilizando ipywidgets para la selección de gráficos de distribución.

    Parámetros:
    data (DataFrame): Los datos a graficar.
    """
    options = [
        ("Diagramas de caja (Boxplots)", 'boxplot'),
        ("Gráficos de densidad", 'density'),
        ("Gráfico de Histograma", 'hist'),
        ("Gráficos de violín", 'violin'),
        ("Gráficos Q-Q (Quantile-Quantile)", 'qq'),
        ("Gráficos de tallo y hojas", 'stem'),
        ("Gráficos de líneas", 'line'),
        ("Gráficos de barras apiladas", 'stacked_bar'),
        ("Gráficos de áreas", 'area'),
        ("Gráficos de barras", 'bar'),
        ("Diagramas de dispersión", 'scatter')
    ]
    
    dropdown = widgets.Dropdown(
        options=options,
        value='boxplot',
        description='Seleccione el gráfico:',
        disabled=False,
    )
    
    def on_change(change):
        if change['type'] == 'change' and change['name'] == 'value':
            plot_distribution_by_plan(data, plot_type=change['new'])
    
    dropdown.observe(on_change)
    
    display(HTML("<h2>Distribución del Ingreso Medio Mensual</h2><p>Permite seleccionar diferentes tipos de gráficos para visualizar la distribución del ingreso medio mensual.</p>"))
    display(dropdown)

# Llamar a las funciones para mostrar los menús interactivos y generar los gráficos
create_interactive_plot(pivot_ingresos)
create_interactive_distribution_plot(df_final)

# Graficar ingresos por estado
ingresos_por_estado = df_final.groupby('state')['ingreso_total'].sum().sort_values(ascending=False)

def plot_bar_chart(data, title, xlabel, ylabel):
    """
    Función para generar gráficos de barras.

    Parámetros:
    data (Series): Datos a graficar.
    title (str): Título del gráfico.
    xlabel (str): Etiqueta del eje X.
    ylabel (str): Etiqueta del eje Y.
    """
    plt.figure(figsize=(14, 7))
    data.plot(kind='bar')
    plt.title(title)
    plt.xlabel(xlabel)
    plt.ylabel(ylabel)
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()

# Generar gráfico de barras para los estados con más ingresos
plot_bar_chart(ingresos_por_estado, 'Estados con Más Ingresos', 'Estado', 'Total de Ingresos (USD)')

# Graficar ingresos por ciudad (top 20 ciudades)
ingresos_por_ciudad = df_final.groupby('city')['ingreso_total'].sum().sort_values(ascending=False).head(20)
plot_bar_chart(ingresos_por_ciudad, 'Top 20 Ciudades con Más Ingresos', 'Ciudad', 'Total de Ingresos (USD)')

# Comentarios profesionales: Cálculo de la media y la varianza de ingresos mensuales por tipo de plan.
media_varianza_ingresos = (
    df_final
    .groupby('year_month')
    .agg(
        media_ingreso=('ingreso_total', 'mean'),
        varianza_ingreso=('ingreso_total', 'var')
    )
    .round(2)
)
print("Media y Varianza de Ingresos Mensuales por Tipo de Plan:")
print(media_varianza_ingresos)

# Distribución estadística del total de ingresos mensuales por plan
print("Distribución Estadística del Total de Ingresos Mensuales por Plan:")
for plan, data in df_final.groupby('plan'):
    data.boxplot(column='ingreso_total', by='year_month', grid=True, figsize=(10, 6))
    plt.title(f'Gráfico de Caja - {plan}')
    plt.suptitle('')
    plt.xticks(rotation=45)
    plt.ylabel('Ingreso Mensual (USD)')
    plt.xlabel('Mes')
    plt.show()

Dropdown(description='Seleccione el gráfico:', options=(('Gráficos de líneas', 'line'), ('Gráficos de barras a…

Dropdown(description='Seleccione el gráfico:', options=(('Diagramas de caja (Boxplots)', 'boxplot'), ('Gráfico…

Media y Varianza de Ingresos Mensuales por Tipo de Plan:
            media_ingreso  varianza_ingreso
year_month                                 
1                   36.18            563.73
10                  52.74           1490.72
11                  57.69           1379.91
12                  67.45           2020.58
2                   36.18            563.73
3                   36.25            569.15
4                   36.18            563.73
5                   38.73            548.66
6                   41.46            671.61
7                   41.05            570.90
8                   46.36            917.59
9                   52.14           1602.48
Distribución Estadística del Total de Ingresos Mensuales por Plan:

# Asegurarnos de que todas las columnas necesarias estén presentes
required_columns = ['state', 'calls_duration', 'messages_count', 'mb_used', 'ingreso_total']
for col in required_columns:
    if col not in df_final.columns:
        raise KeyError(f"Column not found: {col}")

# Creación de las tablas pivote para el análisis
prop_planes_age = df_final.pivot_table(index='age_range', columns='plan', values='user_id', aggfunc='count', observed=False).fillna(0)
reg_age_month = df_final.pivot_table(index=df_final['reg_date'].dt.to_period('M'), columns='age_range', values='user_id', aggfunc='count', observed=False).fillna(0)
internet_age = df_final.groupby('age_range')['gb_used'].sum().to_frame('Gigabytes_Used')
calls_age = df_final.groupby('age_range')['calls_duration'].sum().to_frame('Minutes_Used')
messages_age = df_final.groupby('age_range')['messages_count'].sum().to_frame('Messages_Sent')
total_ingreso_age = df_final.groupby('age_range')['ingreso_total'].sum().to_frame('Total_Income')

# Guardar las tablas en un diccionario
analysis_data = {
    'prop_planes_age': prop_planes_age,
    'reg_age_month': reg_age_month,
    'internet_age': internet_age,
    'calls_age': calls_age,
    'messages_age': messages_age,
    'total_ingreso_age': total_ingreso_age
}

# Función para graficar la tabla pivote con diferentes tipos de gráficos
def plot_graph(pivot_data, plot_type='bar', title='', ylabel=''):
    plt.figure(figsize=(10, 6))
    
    if plot_type == 'line':
        pivot_data.plot(kind='line', title=title)
        plt.ylabel(ylabel)
    
    elif plot_type == 'stacked_bar':
        pivot_data.plot(kind='bar', stacked=True, title=title)
        plt.ylabel(ylabel)
    
    elif plot_type == 'area':
        pivot_data.plot(kind='area', title=title)
        plt.ylabel(ylabel)
    
    elif plot_type == 'bar':
        pivot_data.plot(kind='bar', title=title)
        plt.ylabel(ylabel)
    
    elif plot_type == 'scatter':
        for plan in pivot_data.columns:
            plt.scatter(pivot_data.index, pivot_data[plan], label=plan)
        plt.title(title)
        plt.xlabel('Mes')
        plt.ylabel(ylabel)
        plt.legend(title='Plan')
    
    elif plot_type == 'boxplot':
        sns.boxplot(data=pivot_data)
        plt.title(title)
        plt.ylabel(ylabel)
        plt.xlabel('Plan')
    
    elif plot_type == 'hist':
        pivot_data.plot(kind='hist', bins=50, alpha=0.5, title=title)
        plt.ylabel('Frecuencia')
        plt.xlabel(ylabel)
        plt.legend(title='Plan')
    
    elif plot_type == 'density':
        for plan in pivot_data.columns:
            sns.kdeplot(pivot_data[plan], label=plan, shade=True)
        plt.title(title)
        plt.ylabel('Densidad')
        plt.xlabel(ylabel)
        plt.legend(title='Plan')
    
    elif plot_type == 'violin':
        sns.violinplot(data=pivot_data)
        plt.title(title)
        plt.ylabel(ylabel)
        plt.xlabel('Plan')
    
    elif plot_type == 'stem':
        for plan in pivot_data.columns:
            markerline, stemlines, baseline = plt.stem(pivot_data.index, pivot_data[plan], markerfmt='D', label=plan)
        plt.title(title)
        plt.ylabel(ylabel)
        plt.xlabel('Mes')
        plt.legend(title='Plan')
    
    elif plot_type == 'qq':
        for plan in pivot_data.columns:
            stats.probplot(pivot_data[plan].dropna(), dist="norm", plot=plt)
            plt.title(f'Q-Q Plot de Ingresos Mensuales - {plan}')
            plt.xlabel('Cuantiles Teóricos')
            plt.ylabel('Cuantiles de Datos')
            plt.show()
        return
    
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()

# Función para graficar la distribución de datos
def plot_distribution_by_plan(data, plot_type='hist'):
    plt.figure(figsize=(10, 6))
    
    if plot_type == 'hist':
        for plan, plan_data in data.groupby('plan'):
            plan_data['ingreso_total'].hist(bins=50, alpha=0.5, label=plan)
        plt.title('Histograma de Ingresos Mensuales por Plan')
        plt.ylabel('Frecuencia')
        plt.xlabel('Ingreso Mensual (USD)')
        plt.legend(title='Plan')
    
    elif plot_type == 'boxplot':
        sns.boxplot(x='plan', y='ingreso_total', data=data)
        plt.title('Boxplot de Ingresos Mensuales por Plan')
        plt.ylabel('Ingreso Mensual (USD)')
        plt.xlabel('Plan')
    
    elif plot_type == 'density':
        for plan, plan_data in data.groupby('plan'):
            sns.kdeplot(plan_data['ingreso_total'], label=plan, shade=True)
        plt.title('Densidad de Ingresos Mensuales por Plan')
        plt.ylabel('Densidad')
        plt.xlabel('Ingreso Mensual (USD)')
        plt.legend(title='Plan')
    
    elif plot_type == 'violin':
        sns.violinplot(x='plan', y='ingreso_total', data=data)
        plt.title('Gráfico de Violín de Ingresos Mensuales por Plan')
        plt.ylabel('Ingreso Mensual (USD)')
        plt.xlabel('Plan')
    
    elif plot_type == 'stem':
        for plan, plan_data in data.groupby('plan'):
            income_data = plan_data['ingreso_total'].values
            markerline, stemlines, baseline = plt.stem(income_data, markerfmt='D', label=plan)
        plt.title('Gráfico de Tallo y Hojas de Ingresos Mensuales por Plan')
        plt.ylabel('Ingreso Mensual (USD)')
        plt.xlabel('Índice')
        plt.legend(title='Plan')
    
    elif plot_type == 'qq':
        for plan, plan_data in data.groupby('plan'):
            stats.probplot(plan_data['ingreso_total'], dist="norm", plot=plt)
            plt.title(f'Q-Q Plot de Ingresos Mensuales - {plan}')
            plt.xlabel('Cuantiles Teóricos')
            plt.ylabel('Cuantiles de Datos')
            plt.show()
        return
    
    elif plot_type == 'line':
        for plan, plan_data in data.groupby('plan'):
            plan_data.groupby('year_month')['ingreso_total'].mean().plot(kind='line', label=plan, ax=plt.gca())
        plt.title('Ingreso Medio Mensual por Plan')
        plt.ylabel('Ingreso Medio Mensual (USD)')
        plt.xlabel('Mes')
        plt.legend(title='Plan')
    
    elif plot_type == 'stacked_bar':
        pivot_data = data.pivot_table(index='year_month', columns='plan', values='ingreso_total', aggfunc='mean')
        pivot_data.plot(kind='bar', stacked=True, title='Ingreso Medio Mensual por Plan (Barras Apiladas)')
        plt.ylabel('Ingreso Medio Mensual (USD)')
    
    elif plot_type == 'area':
        pivot_data = data.pivot_table(index='year_month', columns='plan', values='ingreso_total', aggfunc='mean')
        pivot_data.plot(kind='area', title='Ingreso Medio Mensual por Plan (Área)')
        plt.ylabel('Ingreso Medio Mensual (USD)')
    
    elif plot_type == 'bar':
        for plan, plan_data in data.groupby('plan'):
            plan_data.groupby('year_month')['ingreso_total'].mean().plot(kind='bar', label=plan, ax=plt.gca())
        plt.title('Ingreso Medio Mensual por Plan')
        plt.ylabel('Ingreso Medio Mensual (USD)')
        plt.xlabel('Mes')
        plt.legend(title='Plan')
    
    elif plot_type == 'scatter':
        for plan, plan_data in data.groupby('plan'):
            plt.scatter(plan_data['year_month'], plan_data['ingreso_total'], label=plan)
        plt.title('Ingreso Medio Mensual por Plan (Dispersión)')
        plt.xlabel('Mes')
        plt.ylabel('Ingreso Medio Mensual (USD)')
        plt.legend(title='Plan')
    
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()

def solicitar_opcion(mensaje, opciones):
    """
    Solicita una opción al usuario y verifica que sea válida.

    Parámetros:
    mensaje (str): Mensaje para solicitar la opción al usuario.
    opciones (dict): Diccionario con las opciones válidas.

    Retorna:
    str: La opción seleccionada por el usuario.
    """
    while True:
        print(mensaje)
        opcion = input("Ingrese el número correspondiente al tipo de gráfico: ")
        if opcion in opciones:
            return opciones[opcion]
        else:
            print("Opción no válida. Por favor, seleccione un número del 1 al 11.")

# Crear menús interactivos para la visualización de datos

def create_interactive_plot(pivot_data, title, ylabel):
    """
    Función para crear un menú interactivo utilizando ipywidgets para la selección de gráficos.

    Parámetros:
    pivot_data (DataFrame): Los datos de la tabla pivote a graficar.
    """
    options = [
        ("Gráficos de líneas", 'line'),
        ("Gráficos de barras apiladas", 'stacked_bar'),
        ("Gráficos de áreas", 'area'),
        ("Gráfico de barras", 'bar'),
        ("Diagramas de dispersión", 'scatter'),
        ("Gráficos de cajas (Boxplots)", 'boxplot'),
        ("Gráfico de Histograma", 'hist'),
        ("Gráficos de densidad", 'density'),
        ("Gráficos de violín", 'violin'),
        ("Gráficos Q-Q (Quantile-Quantile)", 'qq'),
        ("Gráficos de tallo y hojas", 'stem')
    ]
    
    dropdown = widgets.Dropdown(
        options=options,
        value='line',
        description='Seleccione el gráfico:',
        disabled=False,
    )
    
    def on_change(change):
        if change['type'] == 'change' and change['name'] == 'value':
            plot_graph(pivot_data, plot_type=change['new'], title=title, ylabel=ylabel)
    
    dropdown.observe(on_change)
    
    display(HTML(f"<h2>{title}</h2><p>Permite seleccionar diferentes tipos de gráficos para visualizar los datos.</p>"))
    display(dropdown)

def create_interactive_distribution_plot(data):
    """
    Función para crear un menú interactivo utilizando ipywidgets para la selección de gráficos de distribución.

    Parámetros:
    data (DataFrame): Los datos a graficar.
    """
    options = [
        ("Diagramas de caja (Boxplots)", 'boxplot'),
        ("Gráficos de densidad", 'density'),
        ("Gráfico de Histograma", 'hist'),
        ("Gráficos de violín", 'violin'),
        ("Gráficos Q-Q (Quantile-Quantile)", 'qq'),
        ("Gráficos de tallo y hojas", 'stem'),
        ("Gráficos de líneas", 'line'),
        ("Gráficos de barras apiladas", 'stacked_bar'),
        ("Gráficos de áreas", 'area'),
        ("Gráficos de barras", 'bar'),
        ("Diagramas de dispersión", 'scatter')
    ]
    
    dropdown = widgets.Dropdown(
        options=options,
        value='boxplot',
        description='Seleccione el gráfico:',
        disabled=False,
    )
    
    def on_change(change):
        if change['type'] == 'change' and change['name'] == 'value':
            plot_distribution_by_plan(data, plot_type=change['new'])
    
    dropdown.observe(on_change)
    
    display(HTML("<h2>Distribución del Ingreso Medio Mensual</h2><p>Permite seleccionar diferentes tipos de gráficos para visualizar la distribución del ingreso medio mensual.</p>"))
    display(dropdown)

# Crear menús interactivos para cada análisis
create_interactive_plot(analysis_data['prop_planes_age'], 'Proporción de Planes por Rango de Edad', 'Proporción')
create_interactive_plot(analysis_data['reg_age_month'], 'Inscripciones por Mes según Rango de Edad', 'Cantidad de Usuarios')
create_interactive_plot(analysis_data['internet_age'], 'Consumo de Internet por Rango de Edad', 'Gigabytes Usados')
create_interactive_plot(analysis_data['calls_age'], 'Duración de Llamadas por Rango de Edad', 'Minutos Usados')
create_interactive_plot(analysis_data['messages_age'], 'Número de Mensajes por Rango de Edad', 'Mensajes Enviados')
create_interactive_plot(analysis_data['total_ingreso_age'], 'Ingreso Total por Rango de Edad', 'Ingreso Total (USD)')

# Título de la nueva sección
display(HTML("<h1>Análisis por Rango de Edad</h1>"))

# Mostrar la sección de análisis de comportamiento por rango de edad
display(HTML("""
<div style="background-color:blue; color:white; padding:20px; text-align:center; font-size:40px;">
<b>Análisis del Comportamiento por Rango de Edad</b> <a class="tocSkip"></a>
</div>
<div style="background-color:white; color:black; padding:20px">
<b style="color:blue;">Propósito</b>: 
<p>Esta sección tiene como objetivo analizar el comportamiento de los usuarios según diferentes rangos de edad. Incluye el análisis de la proporción de planes por rango de edad, la distribución de inscripciones por mes, el consumo de internet, las llamadas y los mensajes, así como el ingreso total por rango de edad. Se proporcionarán gráficos interactivos para una mejor visualización de los datos.</p>
<b style="color:blue;">Informes Incluidos</b>:

<ul>
    <li>Proporción de planes por rango de edad</li>
    <li>Inscripciones por mes según rango de edad</li>
    <li>Consumo de internet por rango de edad</li>
    <li>Duración de llamadas por rango de edad</li>
    <li>Número de mensajes por rango de edad</li>
    <li>Ingreso total por rango de edad</li>
</ul>
<b style="color:blue;">Opciones de Gráficos</b>:

<ul>
    <li>1-Gráficos de líneas</li>
    <li>2-Gráficos de barras apiladas</li>
    <li>3-Gráficos de áreas</li>
    <li>4-Gráfico de barras</li>
    <li>5-Diagramas de dispersión</li>
    <li>6-Gráficos de cajas (Boxplots)</li>
    <li>7-Gráfico de Histograma</li>
    <li>8-Gráficos de densidad</li>
    <li>9-Gráficos de violín</li>
    <li>10-Gráficos Q-Q (Quantile-Quantile)</li>
    <li>11-Gráficos de tallo y hojas</li>
</ul>
<p>Seleccione el tipo de gráfico para generar una visualización interactiva de los ingresos mensuales por plan.</p>
</div>
"""))

C:\Users\Rulloa.JEREZ\AppData\Local\Temp\ipykernel_17280\3471694078.py:10: FutureWarning: The default of observed=False is deprecated and will be changed to True in a future version of pandas. Pass observed=False to retain current behavior or observed=True to adopt the future default and silence this warning.
  internet_age = df_final.groupby('age_range')['gb_used'].sum().to_frame('Gigabytes_Used')
C:\Users\Rulloa.JEREZ\AppData\Local\Temp\ipykernel_17280\3471694078.py:11: FutureWarning: The default of observed=False is deprecated and will be changed to True in a future version of pandas. Pass observed=False to retain current behavior or observed=True to adopt the future default and silence this warning.
  calls_age = df_final.groupby('age_range')['calls_duration'].sum().to_frame('Minutes_Used')
C:\Users\Rulloa.JEREZ\AppData\Local\Temp\ipykernel_17280\3471694078.py:12: FutureWarning: The default of observed=False is deprecated and will be changed to True in a future version of pandas. Pass observed=False to retain current behavior or observed=True to adopt the future default and silence this warning.
  messages_age = df_final.groupby('age_range')['messages_count'].sum().to_frame('Messages_Sent')
C:\Users\Rulloa.JEREZ\AppData\Local\Temp\ipykernel_17280\3471694078.py:13: FutureWarning: The default of observed=False is deprecated and will be changed to True in a future version of pandas. Pass observed=False to retain current behavior or observed=True to adopt the future default and silence this warning.
  total_ingreso_age = df_final.groupby('age_range')['ingreso_total'].sum().to_frame('Total_Income')

Dropdown(description='Seleccione el gráfico:', options=(('Gráficos de líneas', 'line'), ('Gráficos de barras a…

Dropdown(description='Seleccione el gráfico:', options=(('Gráficos de líneas', 'line'), ('Gráficos de barras a…

Dropdown(description='Seleccione el gráfico:', options=(('Gráficos de líneas', 'line'), ('Gráficos de barras a…

Dropdown(description='Seleccione el gráfico:', options=(('Gráficos de líneas', 'line'), ('Gráficos de barras a…

Dropdown(description='Seleccione el gráfico:', options=(('Gráficos de líneas', 'line'), ('Gráficos de barras a…

Dropdown(description='Seleccione el gráfico:', options=(('Gráficos de líneas', 'line'), ('Gráficos de barras a…

<Figure size 1000x600 with 0 Axes>

# Definición del nivel de significancia
alpha = 0.05

# Hipótesis 1: Diferencia en el Ingreso Promedio por Tipo de Plan
# Dividiendo los datos por tipo de plan
sample_surf = df_final[df_final['plan'] == 'surf']['ingreso_total']
sample_ultimate = df_final[df_final['plan'] == 'ultimate']['ingreso_total']

# Realizando la prueba t de Student para muestras independientes
t_stat, p_value = st.ttest_ind(sample_surf, sample_ultimate, nan_policy='omit')

# Resultados de la prueba
html_result_1 = """
<div style="background-color:blue; color:white; padding:20px; text-align:center; font-size:40px;">
    <b>Probar las hipótesis estadísticas.</b> <a class="tocSkip"></a>
</div>
<div style="background-color:white; color:black; padding:20px">
    <b>Hipótesis 1: Diferencia en el Ingreso Promedio por Tipo de Plan</b><br>
    <p>p-value: {:.5f}</p>
""".format(p_value)

if p_value < alpha:
    html_result_1 += """
    <p>Rechazamos la Hipótesis Nula (H0): Los ingresos de los planes 'surf' y 'ultimate' son significativamente diferentes.</p>
    """
else:
    html_result_1 += """
    <p>No podemos rechazar la Hipótesis Nula (H0): No hay suficiente evidencia para afirmar que los ingresos de los planes 'surf' y 'ultimate' son diferentes.</p>
    """
html_result_1 += "</div>"

display(HTML(html_result_1))

# Gráfico de Caja para Ingresos por Plan
plt.figure(figsize=(10, 6))
sns.boxplot(x='plan', y='ingreso_total', data=df_final)
plt.title('Distribución de Ingresos Mensuales por Tipo de Plan')
plt.xlabel('Tipo de Plan')
plt.ylabel('Ingreso Mensual (USD)')
plt.show()

# Definir la segunda hipótesis
alpha = 0.02

# Corregir los estados para incluir correctamente NY y NJ
df_final['region'] = df_final['state'].apply(lambda x: 'NY/NJ' if 'New York' in x or 'New Jersey' in x else 'Other')

# Filtrar las muestras y eliminar valores nulos
samp_1 = df_final[df_final['region'] == 'NY/NJ']['ingreso_total'].dropna()
samp_2 = df_final[df_final['region'] == 'Other']['ingreso_total'].dropna()

# Verificar si las muestras tienen datos
if len(samp_1) == 0:
    raise ValueError("La muestra de NY/NJ está vacía. Verifique los datos de entrada.")
if len(samp_2) == 0:
    raise ValueError("La muestra de otras regiones está vacía. Verifique los datos de entrada.")

# Realizar la prueba t de Student para muestras independientes
t_stat, p_value = st.ttest_ind(samp_1, samp_2, nan_policy='omit')

# Resultados de la prueba
html_result_2 = """
<div style="background-color:blue; color:white; padding:20px; text-align:center; font-size:30px;">
    <b>Probar las hipótesis estadísticas.</b> <a class="tocSkip"></a>
</div>
<div style="background-color:white; color:black; padding:20px; font-size:18px;">
    <b>Hipótesis 2: Diferencia en el Ingreso Promedio por Región</b><br>
    <p>p-value: {:.5f}</p>
""".format(p_value)

if p_value < alpha:
    html_result_2 += """
    <p>Rechazamos la Hipótesis Nula (H0): Los ingresos en el área de Nueva York-Nueva Jersey son significativamente diferentes a los de otras regiones.</p>
    """
else:
    html_result_2 += """
    <p>No podemos rechazar la Hipótesis Nula (H0): No hay suficiente evidencia para afirmar que los ingresos en el área de Nueva York-Nueva Jersey son diferentes a los de otras regiones.</p>
    """
html_result_2 += "</div>"

display(HTML(html_result_2))

# Gráfico de Caja para Ingresos por Región
plt.figure(figsize=(10, 6))
sns.boxplot(x='region', y='ingreso_total', data=df_final)
plt.title('Distribución de Ingresos Mensuales por Región')
plt.xlabel('Región')
plt.ylabel('Ingreso Mensual (USD)')
plt.show()

# Verificar las columnas en df_final
print(df_final.columns)

# Crear el DataFrame pivot_llamadas usando la columna 'calls_duration'
pivot_llamadas = df_final.pivot_table(index='year_month', columns='plan', values='calls_duration', aggfunc='mean')

# Crear el DataFrame pivot_ingresos usando la columna 'ingreso_total'
pivot_ingresos = df_final.pivot_table(index='year_month', columns='plan', values='ingreso_total', aggfunc='mean')

# Función para graficar la tabla pivote
def plot_pivot_table(pivot_data, plot_type, title, ylabel):
    plt.figure(figsize=(12, 6))
    
    if plot_type == 'line':
        sns.lineplot(data=pivot_data)
    elif plot_type == 'stacked_bar':
        pivot_data.plot(kind='bar', stacked=True)
    elif plot_type == 'area':
        pivot_data.plot(kind='area')
    elif plot_type == 'bar':
        pivot_data.plot(kind='bar')
    elif plot_type == 'scatter':
        for column in pivot_data.columns:
            plt.scatter(pivot_data.index, pivot_data[column], label=column)
    elif plot_type == 'boxplot':
        sns.boxplot(data=pivot_data)
    elif plot_type == 'hist':
        pivot_data.plot(kind='hist', bins=50, alpha=0.5)
    elif plot_type == 'density':
        for column in pivot_data.columns:
            sns.kdeplot(pivot_data[column], shade=True, label=column)
    elif plot_type == 'violin':
        sns.violinplot(data=pivot_data)
    elif plot_type == 'stem':
        for column in pivot_data.columns:
            markerline, stemlines, baseline = plt.stem(pivot_data.index, pivot_data[column], label=column)
    elif plot_type == 'qq':
        for column in pivot_data.columns:
            stats.probplot(pivot_data[column].dropna(), dist="norm", plot=plt)
            plt.title(f'Q-Q Plot - {column}')
            plt.xlabel('Cuantiles Teóricos')
            plt.ylabel('Cuantiles de Datos')
            plt.show()
        return
    
    plt.title(title)
    plt.xlabel('Mes')
    plt.ylabel(ylabel)
    plt.xticks(rotation=45)
    plt.legend(title='Plan')
    plt.grid(True)
    plt.tight_layout()
    plt.show()

def create_interactive_plot(pivot_data, title, ylabel):
    options = [
        ("Gráficos de líneas", 'line'),
        ("Gráficos de barras apiladas", 'stacked_bar'),
        ("Gráficos de áreas", 'area'),
        ("Gráfico de barras", 'bar'),
        ("Diagramas de dispersión", 'scatter'),
        ("Gráficos de cajas (Boxplots)", 'boxplot'),
        ("Gráfico de Histograma", 'hist'),
        ("Gráficos de densidad", 'density'),
        ("Gráficos de violín", 'violin'),
        ("Gráficos Q-Q (Quantile-Quantile)", 'qq'),
        ("Gráficos de tallo y hojas", 'stem')
    ]
    
    dropdown = widgets.Dropdown(
        options=options,
        value='line',
        description='Seleccione el gráfico:',
        disabled=False,
    )
    
    def on_change(change):
        if change['type'] == 'change' and change['name'] == 'value':
            plot_pivot_table(pivot_data, plot_type=change['new'], title=title, ylabel=ylabel)
    
    dropdown.observe(on_change)
    
    display(HTML(f"<h2>{title}</h2>"))
    display(dropdown)

# Crear menús interactivos para los gráficos
create_interactive_plot(pivot_ingresos, 'Ingreso Medio Mensual por Plan', 'Ingreso Medio (USD)')
create_interactive_plot(pivot_llamadas, 'Duración Media de Llamadas por Plan', 'Duración Media de Llamadas (min)')

Index(['user_id', 'month', 'calls_duration', 'mb_used', 'messages_count',
       'first_name', 'last_name', 'age', 'city', 'reg_date', 'plan',
       'churn_date', 'city_name', 'state', 'msa', 'age_range', 'duracion_plan',
       'reg_month', 'messages_included', 'mb_per_month_included',
       'minutes_included', 'usd_monthly_pay', 'usd_per_gb', 'usd_per_message',
       'usd_per_minute', 'plan_name', 'gb_used', 'extra_mensajes',
       'cost_extra_mensajes', 'min_extra', 'cost_min_extra', 'gb_extra',
       'cost_gb_extra', 'ingreso_total', 'year_month', 'calls_count',
       'region'],
      dtype='object')

Dropdown(description='Seleccione el gráfico:', options=(('Gráficos de líneas', 'line'), ('Gráficos de barras a…

Dropdown(description='Seleccione el gráfico:', options=(('Gráficos de líneas', 'line'), ('Gráficos de barras a…

No artists with labels found to put in legend.  Note that artists whose label start with an underscore are ignored when legend() is called with no argument.

No artists with labels found to put in legend.  Note that artists whose label start with an underscore are ignored when legend() is called with no argument.

	user_id	age
count	500.000000	500.000000
mean	1249.500000	45.486000
std	144.481833	16.972269
min	1000.000000	18.000000
25%	1124.750000	30.000000
50%	1249.500000	46.000000
75%	1374.250000	61.000000
max	1499.000000	75.000000

	id	user_id	call_date	duration
0	1000_93	1000	2018-12-27	8.52
1	1000_145	1000	2018-12-27	13.66
2	1000_247	1000	2018-12-27	14.48
3	1000_309	1000	2018-12-28	5.76
4	1000_380	1000	2018-12-30	4.22

	user_id	duration
count	137735.000000	137735.000000
mean	1247.658046	6.745927
std	139.416268	5.839241
min	1000.000000	0.000000
25%	1128.000000	1.290000
50%	1247.000000	5.980000
75%	1365.000000	10.690000
max	1499.000000	37.600000

	id	user_id	message_date
0	1000_125	1000	2018-12-27
1	1000_160	1000	2018-12-31
2	1000_223	1000	2018-12-31
3	1000_251	1000	2018-12-27
4	1000_255	1000	2018-12-26

	user_id
count	76051.000000
mean	1245.972768
std	139.843635
min	1000.000000
25%	1123.000000
50%	1251.000000
75%	1362.000000
max	1497.000000

	user_id	first_name	last_name	age	city	reg_date	plan	churn_date
0	1000	Anamaria	Bauer	45	Atlanta-Sandy Springs-Roswell, GA MSA	2018-12-24	ultimate	NaN
1	1001	Mickey	Wilkerson	28	Seattle-Tacoma-Bellevue, WA MSA	2018-08-13	surf	NaN
2	1002	Carlee	Hoffman	36	Las Vegas-Henderson-Paradise, NV MSA	2018-10-21	surf	NaN
3	1003	Reynaldo	Jenkins	52	Tulsa, OK MSA	2018-01-28	surf	NaN
4	1004	Leonila	Thompson	40	Seattle-Tacoma-Bellevue, WA MSA	2018-05-23	surf	NaN

	id	user_id	session_date	mb_used
0	1000_13	1000	2018-12-29	89.86
1	1000_204	1000	2018-12-31	0.00
2	1000_379	1000	2018-12-28	660.40
3	1000_413	1000	2018-12-26	270.99
4	1000_442	1000	2018-12-27	880.22

	user_id	mb_used
count	104825.000000	104825.000000
mean	1242.496361	366.713701
std	142.053913	277.170542
min	1000.000000	0.000000
25%	1122.000000	136.080000
50%	1236.000000	343.980000
75%	1367.000000	554.610000
max	1499.000000	1693.470000

	messages_included	mb_per_month_included	minutes_included	usd_monthly_pay	usd_per_gb	usd_per_message	usd_per_minute	plan_name
0	50	15360	500	20	10	0.03	0.03	surf
1	1000	30720	3000	70	7	0.01	0.01	ultimate

	messages_included	mb_per_month_included	minutes_included	usd_monthly_pay	usd_per_gb	usd_per_message	usd_per_minute
count	2.000000	2.000000	2.000000	2.000000	2.00000	2.000000	2.000000
mean	525.000000	23040.000000	1750.000000	45.000000	8.50000	0.020000	0.020000
std	671.751442	10861.160159	1767.766953	35.355339	2.12132	0.014142	0.014142
min	50.000000	15360.000000	500.000000	20.000000	7.00000	0.010000	0.010000
25%	287.500000	19200.000000	1125.000000	32.500000	7.75000	0.015000	0.015000
50%	525.000000	23040.000000	1750.000000	45.000000	8.50000	0.020000	0.020000
75%	762.500000	26880.000000	2375.000000	57.500000	9.25000	0.025000	0.025000
max	1000.000000	30720.000000	3000.000000	70.000000	10.00000	0.030000	0.030000

	Valores Nulos	Porcentaje de Incidencia (%)
user_id	0	0.0
first_name	0	0.0
last_name	0	0.0
age	0	0.0
city	0	0.0
reg_date	0	0.0
plan	0	0.0
churn_date	466	93.2
city_name	0	0.0
state	0	0.0
msa	0	0.0
age_range	0	0.0

	user_id	first_name	last_name	age	city	reg_date	plan	churn_date	city_name	state	msa	age_range
6	1006	jesusa	bradford	73	san francisco-oakland-berkeley, ca msa	2018-11-27	ultimate	2018-12-18	san francisco-oakland-berkeley	ca	msa	66+
12	1012	jonelle	mcbride	59	chicago-naperville-elgin, il-in-wi msa	2018-06-28	surf	2018-11-16	chicago-naperville-elgin	il-in-wi	msa	56-65
22	1022	bo	snow	73	new york-newark-jersey city, ny-nj-pa msa	2018-04-20	surf	2018-09-07	new york-newark-jersey city	ny-nj-pa	msa	66+
40	1040	paris	santos	72	philadelphia-camden-wilmington, pa-nj-de-md msa	2018-12-23	surf	2018-12-30	philadelphia-camden-wilmington	pa-nj-de-md	msa	66+
50	1050	jone	owen	23	miami-fort lauderdale-west palm beach, fl msa	2018-03-20	ultimate	2018-10-07	miami-fort lauderdale-west palm beach	fl	msa	19-25

	Valores Nulos	Porcentaje de Incidencia (%)
messages_included	0	0.0
mb_per_month_included	0	0.0
minutes_included	0	0.0
usd_monthly_pay	0	0.0
usd_per_gb	0	0.0
usd_per_message	0	0.0
usd_per_minute	0	0.0
plan_name	0	0.0

Megaline¶

¿Cuál es un mejor plan?¶

Objetivo¶

Inicialización¶

Importar Bibliotecas¶

Cargar los datos y Exploración de datos¶

Información del DataFrame: users

Información del DataFrame: calls

Información del DataFrame: messages

Información del DataFrame: internet

Información del DataFrame: plans

Usuarios¶

Manipulación de datos¶

Usuarios¶

Llamadas¶

Mensajes¶

Internet¶

Limpieza de Datos¶

Determinación de problemas en el DataFrame 'users'

Sección Columnas con Nombre Erróneos

No se encontraron nombres de columnas con espacios en 'users'

Sección Columnas con Textos Erróneos

Celdas de texto que no están en minúsculas en 'users':

Columna: first_name

Columna: last_name

Columna: city

Columna: city_name

Columna: state

Columna: msa

Sección Valores Erróneos

Valores nulos antes de la limpieza en 'users':

Filas con valores nulos en 'users':

Sección Valores Duplicados

Total de filas duplicadas explícitas: 0 (0.00% de incidencia)

Limpieza de datos en el DataFrame 'users'

Sección Columnas con Nombre Erróneos

No se encontraron nombres de columnas con espacios en 'users'

Sección Columnas con Textos Erróneos

Celdas de texto que no están en minúsculas en 'users':

Columna: first_name

Columna: last_name

Columna: city

Columna: city_name

Columna: state

Columna: msa

Sección Valores Erróneos

Valores nulos antes de la limpieza en 'users':

Filas con valores nulos en 'users':

Valores nulos después de la limpieza en 'users':

Sección Valores Duplicados

Total de filas duplicadas explícitas antes de la limpieza: 0 (0.00% de incidencia)

Total de filas duplicadas explícitas después de la limpieza: 0 (0.00% de incidencia)

DataFrame 'users' después de la limpieza

Determinación de problemas en el DataFrame 'plans'

Sección Columnas con Nombre Erróneos

No se encontraron nombres de columnas con espacios en 'plans'

Sección Columnas con Textos Erróneos

Todas las celdas de texto están en minúsculas en 'plans'

Sección Valores Erróneos

Valores nulos antes de la limpieza en 'plans':

No se encontraron filas con valores nulos en 'plans'

Sección Valores Duplicados

Total de filas duplicadas explícitas: 0 (0.00% de incidencia)

Limpieza de datos en el DataFrame 'plans'

Sección Columnas con Nombre Erróneos

No se encontraron nombres de columnas con espacios en 'plans'

Sección Columnas con Textos Erróneos

Todas las celdas de texto están en minúsculas en 'plans'

Sección Valores Erróneos

Valores nulos antes de la limpieza en 'plans':

No se encontraron filas con valores nulos en 'plans'

Valores nulos después de la limpieza en 'plans':

Sección Valores Duplicados

Total de filas duplicadas explícitas antes de la limpieza: 0 (0.00% de incidencia)

Total de filas duplicadas explícitas después de la limpieza: 0 (0.00% de incidencia)

DataFrame 'plans' después de la limpieza

Determinación de problemas en el DataFrame 'calls'

Sección Columnas con Nombre Erróneos

No se encontraron nombres de columnas con espacios en 'calls'

Sección Columnas con Textos Erróneos